CN111436958A - 一种用于pet图像衰减校正的ct图像生成方法 - Google Patents

一种用于pet图像衰减校正的ct图像生成方法 Download PDF

Info

Publication number
CN111436958A
CN111436958A CN202010125698.5A CN202010125698A CN111436958A CN 111436958 A CN111436958 A CN 111436958A CN 202010125698 A CN202010125698 A CN 202010125698A CN 111436958 A CN111436958 A CN 111436958A
Authority
CN
China
Prior art keywords
image
pet
temporal
images
acquisition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010125698.5A
Other languages
English (en)
Other versions
CN111436958B (zh
Inventor
饶璠
朱闻韬
杨宝
陈凌
叶宏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Mingfeng Medical System Co Ltd
Minfound Medical Systems Co Ltd
Original Assignee
Zhejiang Lab
Mingfeng Medical System Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab, Mingfeng Medical System Co Ltd filed Critical Zhejiang Lab
Priority to CN202010125698.5A priority Critical patent/CN111436958B/zh
Publication of CN111436958A publication Critical patent/CN111436958A/zh
Priority to PCT/CN2021/073463 priority patent/WO2021169695A1/zh
Priority to US17/766,204 priority patent/US11823384B2/en
Application granted granted Critical
Publication of CN111436958B publication Critical patent/CN111436958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • G06T5/94—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating apparatus or devices for radiation diagnosis
    • A61B6/582—Calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/60—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Abstract

本发明公开了一种用于PET图像衰减校正的CT图像生成方法，该方法通过采集T1时刻的CT图像和PET图像以及T2时刻的PET图像，将其输入训练好的深度学习网络中，获得T2时刻的CT图像，该CT图像能用于PET图像的衰减校正，从而获得更精确的PETAC(Attenuation Correction)图片。本发明的方法能减少整个图像采集阶段病人受到的X射线的剂量，减轻病人生理和心理上受到的压力。另外，后期的图像采集只需要PET成像设备，不需要PET/CT设备，可以减小成像资源分配的成本，降低整个阶段成像的费用。

Description

一种用于PET图像衰减校正的CT图像生成方法
技术领域
本发明涉及医学图像重建领域，尤其涉及一种基于深度学习并用于PET图像衰减校正的CT图像生成方法。
背景技术
PET(Positron Emission Tomography,PET)的全称为正电子发射型计算机断层显像，是广泛用于解剖形态方式进行功能、代谢和受体显像的医学影像技术，代表了医学影像学发展的最新最前沿技术。与CT(Computed Tomography,CT)、MRI(Magnetic ResonanceImaging,MRI)的解剖成像不同，PET可对代谢过程的生理和生化改变进行观测，从而在生化血液浓度或机体结构改变之前发现异常而发现病变，PET在临床上被广泛运用于肿瘤检查。
在进行PET扫描前，会对生物活体注入同位素示踪剂，示踪剂在参与生理代谢时发生衰变产生正电子，其发射的正电子在继续前行1～2mm后会和邻近的电子发生湮没效应，产生一对方向相反(互为180°)、能量相等(511keV)的γ光子。γ光子在穿过物体到进入探测器的过程中，会有一定概率与物体中的电子碰撞发生光电效应或康普顿散射，使γ光子消失或自身能量降低，或改变运行方向。当光子能量低于PET设备的低能探测阈值时(通常为400～450keV)将无法被探测器有效探测，为了准确定量并分析放射性药物在体内的分布情况，就必须对γ射线的衰减进行衰减校正。衰减校正不但能提高PET图像的对比度，获得更加精确的SUV(Standard Uptake Value,SUV)值，以便对病情做出更加精准的定量分析。
PET图像的衰减校正问题一直是医学图像重建领域中的一个热点问题，不少国内外的专家和学者都提出了各自的方法。计算校正法是最早提出的衰减校正方法，该方法利用探测器所探测到的射线强度推算出射线的原始强度，该方法虽然简单，但在实际使用该方法需要的条件及使用的限制过多，如要知道每一个像素点的线性衰减系数值以及该点所发生湮灭事件所放出的光子到探测器之间所经过的距离。当物体形状不规则时这些条件很难满足，这会影响衰减校正的准确性，随着其他衰减校正方法的不断成熟，该方法使用的情景也越来越少。测量校正法也可用于PET图像的衰减校正，该方法采用空白扫描和穿透式扫描分别在没有患者和有患者的情形下进行扫描，最终任一条符合线的衰减校正因子就等于这条线上空白扫描和透射扫描的计数比值。但该方法需要额外的穿透式扫描操作，这会增加扫描时间增加，提高成像的成本，并且采用该方法是患者受到的辐射剂量也因而增加。此外，在进行穿透式扫描时，受限于扫描时间限制和源剂量，实际使用中经常出现符合事件计数不足的情形，最终影响衰减校正的效果。因此使用测量校正法得到的衰减校正因子存有很大的误差，最终会影响生成PET图片的准确性，严重时会在PET图像中出现伪影。
近年来，随着传感器技术和数字处理技术的迅速发展，科研人员将PET设备和CT设备融合在一起而发展出了PET/CT成像设备。由于CT设备采用的X射线和PET设备需要捕捉的γ射线同为高频电磁波，二者在人体内部的穿透能力和衰减规律具有一定的联系，因此科研人员也越来越关注以CT数据为基础的衰减校正法。相比PET，CT技术更加成熟，并且CT采用外部生成X射线，可以提供高分辨率的诊断图像，该图像即为X射线对人体组织器官的衰减系数分布图，因此，可以利用CT扫描得到的数据对PET图像进行衰减校正。与传统的计算校正法和测量校正法相比，CT扫描具有很大的优势，如扫描速度快，获得患者体内信息更多，不会对PET传感器捕捉511keVγ光子进行干扰，噪声低等。在以CT数据为基础的衰减校正方法中，最核心的思想是将CT图像在特定管电压下扫描生成的图像中每个像素的灰度值转换成511keV能量γ光子下的衰减系数，这一步常被称为能量转换。针对该问题，不少学者提出了各自的方法，如比例法、分割计算法和双线性转换法等。比例法首先计算511keV能量下γ光子与X射线(通常选择在50～80keV范围内)在水中的衰减系数比值，接着与CT图像的像素对应的衰减系数相乘从而完成衰减校正。该方法使用时相对简单，针对衰减主要由康普顿散射造成的情形，此方法较为精确，但当被测物体存在较高原子序数的组织(如骨骼等)，该方法的误差较大。X射线在骨骼等高原子序列的组织中主要产生光电效应而造成能量衰减，而511keVγ光子的能量很高，光电效应造成的能量衰减对射线的捕捉没有太大影响。分割计算方法是根据CT图像将患者划分成软组织、骨骼和肺三个区域，接着分别将每个区域图像的CT图对应的X射线衰减系数转换成511keV能量下的衰减系数值。该方法依靠精确的分割，但当测量区域存在骨骼连续变换的软组织区域和密度梯度较大的同类组织区域，仅仅使用三种离散的值来代替并不准确，会照成较大的误差。倘若分割后的CT图和PET图的配准不精确，校正误差也会增大。由于很多能量转换方法一般由执行困难，受限条件过多等优点。
发明内容
本发明针对现有技术的不足，提出了一种用于PET图像衰减校正的CT图像生成方法，该方法采用T1时刻的PETBP(Backprojection)图像和CT图像以及T2时刻的PETBP图像生成T2时刻的CT图像，该方法可以减轻整个流程中患者受到的X射线辐射剂量，从而减轻患者身体或心理上受到的压力。
本发明的目的是通过以下技术方案来实现的：一种用于PET图像衰减校正的CT图像生成方法，包括以下步骤：
步骤一：通过PET/CT设备采集若干位病人在T1时刻的CT图像和PET图像，再采集所述病人在T2时刻的CT图像和PET图像。
步骤二：将步骤一采集得到的T1时刻的CT图像和PET图像、T2时刻的CT图像和PET图像输入深度学习网络中进行训练，以T1时刻的CT图像和PET图像以及T2时刻的PET图像作为输入，以T2时刻的CT图像作为标签，使得损失函数收敛并稳定，完成对深度学习网络的训练。
步骤三：使用PET/CT设备采集新病人T1时刻的CT图像和PET图像，并采集所述新病人T2时刻的PET图像，将三幅图像输入步骤二训练好的深度学习网络中，得到所述新病人T2时刻的CT图像。
进一步地，步骤一还可以为：通过PET/CT设备采集若干位病人在T1时刻的CT图像和PET图像，采用薄板样条曲线或B样条曲线等非刚性变形模型对T1时刻采集的CT图像和PET图像加入一个形变生成T2时刻的PET图像和CT图像。
进一步地，步骤一中采集T1时刻的CT图像和采集T1时刻的PET图像的相同坐标的像素对应体内相同的位置；采集T2时刻的CT图像和采集T2时刻的PET图像的相同坐标的像素对应体内相同的位置。
进一步地，步骤二中所采用的深度学习网络选自UNet、GAN。
进一步对，步骤三中，采用反向传播方法对深度学习网络进行训练，使得所述新病人T2时刻的CT图像和所述新病人T2时刻的PET图像中的相同坐标的像素对应体内相同的位置。
进一步地，所述PET图像为PETBP图像、PET NAC或PET FBP。
本发明的有益效果是，本发明的方法在患者需要进行多次PET扫描时，只需要在第一次进行CT扫描获得组织的解剖信息，后续的PET扫描中无需进行CT扫描操作，可以通过第一次PET和CT扫描得到的信息以及后几次PET扫描得到的原始图像信息或BP图像信息即可获得衰减校正需要的解剖信息，用于PET图像的衰减校正，从而实现精准的PET重建。本发明的方法避免了反复采集病人CT图像的操作，减少整个图像采集阶段病人受到的X射线的剂量，减轻病人生理和心理上受到的压力。另外，后期以测量只需要PET成像设备，不需要PET/CT设备，可以增强成像资源分配的成本，降低整个阶段成像的费用。
附图说明
图1是基于用于PET图像衰减校正的CT图像生成方法流程图；
图2为UNet的监督学习网络。
具体实施方式
下面根据实施例和附图详细说明本发明。
实施例1
如图1为本发明一种用于PET图像衰减校正的CT图像生成方法流程图，该方法包括以下步骤：
步骤一：通过PET/CT设备采集若干位病人在T1时刻的CT图像和PET图像，这两幅图像相同坐标的像素对应体内相同的位置；再采集所述病人在T2时刻的CT图像和PET图像，这两幅图像相同坐标的像素对应体内相同的位置。这是由于同一时刻采集的同个人的CT图像和PET图像对应的同样的解剖信息。
步骤二：将步骤一采集得到的T1时刻的CT图像和PET图像、T2时刻的CT图像和PET图像输入深度学习网络中进行训练，这里所采用的深度学习网络选自UNet、GAN(GeneralAdversarial Network)。如图2为UNet的监督学习网络，以T1时刻的CT图像和PET图像以及T2时刻的PET图像作为输入，以T2时刻的CT图像作为便签，使得损失函数收敛并稳定，完成对深度学习网络的训练。这里采用深度学习网络是为了找到T1时刻的PET图像和CT图像之间的灰度对应关系，然后将T2时刻的PET图像转换成CT图像。
步骤三：使用PET/CT设备采集新病人T1时刻的CT图像和PET图像，并采集所述新病人T2时刻的PET图像，将三幅图像输入步骤二训练好的深度学习网络中，得到所述新病人T2时刻的CT图像。采用反向传播方法对深度学习网络进行训练，使得所述新病人T2时刻的CT图像与所述新病人T2时刻的PET图像对齐。
将上述实施例得到的所述新病人T2时刻的CT图像生成每个像素的衰减系数值，根据衰减系数值可以生成更加清晰的PETAC图像，获得更加精确的SUV值，以便对病情做出更加精准的定量分析。
实施例2
本发明一种用于PET图像衰减校正的CT图像生成方法，该方法包括以下步骤：
步骤一：通过PET/CT设备采集若干位病人在T1时刻的CT图像和PET图像，采集T1时刻的CT图像中与采集T1时刻的PET图像相同坐标的像素对应体内相同的位置；采用薄板样条曲线或B样条曲线等非刚性变形模型对T1时刻采集的CT图像和PET图像加入一个形变生成T2时刻的PET图像和CT图像。
步骤二：将步骤一采集得到的T1时刻的CT图像和PET图像、T2时刻的CT图像和PET图像输入深度学习网络中进行训练，这里所采用的深度学习网络选自UNet、GAN(GeneralAdversarial Network)。以T1时刻的CT图像和PET图像以及T2时刻的PET图像作为输入，以T2时刻的CT图像作为标签，使得损失函数收敛并稳定，完成对深度学习网络的训练。
步骤三：使用PET/CT设备采集新病人T1时刻的CT图像和PET图像，并采集所述新病人T2时刻的PET图像，将三幅图像输入步骤二训练好的深度学习网络中，得到所述新病人T2时刻的CT图像。采用反向传播方法设对度学习网络进行训练，使得所述新病人T2时刻的CT图像与所述新病人T2时刻的PET图像对齐。
将上述实施例得到的所述新病人T2时刻的CT图像生成每个像素的衰减系数值，根据衰减系数值可以生成更加清晰的PET图像，获得更加精确的SUV值，以便对病情做出更加精准的定量分析。
本发明中所采用的PET图像为PETBP图像、PET NAC(Non AttenuationCorrection)、PET FBP(Filtered Backprojection)等。
本发明主要用于PET/CT设备，但也可扩展到PET/MRI设备。

Claims (6)

1.一种用于PET图像衰减校正的CT图像生成方法，其特征在于，包括以下步骤：
步骤一：通过PET/CT设备采集若干位病人在T1时刻的CT图像和PET图像，再采集所述病人在T2时刻的CT图像和PET图像。
步骤二：将步骤一采集得到的T1时刻的CT图像和PET图像、T2时刻的CT图像和PET图像输入深度学习网络中进行训练，以T1时刻的CT图像和PET图像以及T2时刻的PET图像作为输入，以T2时刻的CT图像作为标签，使得损失函数收敛并稳定，完成对深度学习网络的训练。
步骤三：使用PET/CT设备采集新病人T1时刻的CT图像和PET图像，并采集所述新病人T2时刻的PET图像，将三幅图像输入步骤二训练好的深度学习网络中，得到所述新病人T2时刻的CT图像。
2.根据权利要求1所述的CT图像生成方法，其特征在于，步骤一还可以为：通过PET/CT设备采集若干位病人在T1时刻的CT图像和PET图像，采用薄板样条曲线或B样条曲线等非刚性变形模型对T1时刻采集的CT图像和PET图像加入一个形变生成T2时刻的PET图像和CT图像。
3.根据权利要求1所述的CT图像生成方法，其特征在于，步骤一中采集T1时刻的CT图像和采集T1时刻的PET图像的相同坐标的像素对应体内相同的位置；采集T2时刻的CT图像和采集T2时刻的PET图像的相同坐标的像素对应体内相同的位置。
4.根据权利要求1所述的CT图像生成方法，其特征在于，步骤二中所采用的深度学习网络选自UNet、GAN。
5.根据权利要求1所述的CT图像生成方法，其特征在于，步骤三中，采用反向传播方法对深度学习网络进行训练，使得所述新病人T2时刻的CT图像和所述新病人T2时刻的PET图像中的相同坐标的像素对应体内相同的位置。
6.根据权利要求1所述的CT图像生成方法，其特征在于，所述PET图像为PETBP图像、PETNAC或PET FBP。
CN202010125698.5A 2020-02-27 2020-02-27 一种用于pet图像衰减校正的ct图像生成方法 Active CN111436958B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010125698.5A CN111436958B (zh) 2020-02-27 2020-02-27 一种用于pet图像衰减校正的ct图像生成方法
PCT/CN2021/073463 WO2021169695A1 (zh) 2020-02-27 2021-01-23 一种用于pet图像衰减校正的ct图像生成方法
US17/766,204 US11823384B2 (en) 2020-02-27 2021-01-23 CT image generation method for attenuation correction of pet images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010125698.5A CN111436958B (zh) 2020-02-27 2020-02-27 一种用于pet图像衰减校正的ct图像生成方法

Publications (2)

Publication Number Publication Date
CN111436958A true CN111436958A (zh) 2020-07-24
CN111436958B CN111436958B (zh) 2021-06-01

Family

ID=71627363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010125698.5A Active CN111436958B (zh) 2020-02-27 2020-02-27 一种用于pet图像衰减校正的ct图像生成方法

Country Status (3)

Country Link
US (1) US11823384B2 (zh)
CN (1) CN111436958B (zh)
WO (1) WO2021169695A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419173A (zh) * 2020-11-04 2021-02-26 深圳先进技术研究院 一种由pet图像生成ct图像的深度学习框架和方法
WO2021169695A1 (zh) * 2020-02-27 2021-09-02 之江实验室 一种用于pet图像衰减校正的ct图像生成方法
CN113436708A (zh) * 2021-07-22 2021-09-24 杭州电子科技大学 一种基于深度学习算法的延迟ct图像生成方法
CN113491529A (zh) * 2021-09-09 2021-10-12 之江实验室 一种无伴随ct辐射的单床pet延迟成像方法
CN114820432A (zh) * 2022-03-08 2022-07-29 安徽慧软科技有限公司 一种基于pet和ct弹性配准技术的放射治疗效果评估方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170116497A1 (en) * 2015-09-16 2017-04-27 Siemens Healthcare Gmbh Intelligent Multi-scale Medical Image Landmark Detection
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
CN108765294A (zh) * 2018-06-11 2018-11-06 深圳市唯特视科技有限公司 一种基于全卷积网络和条件生成对抗网络的图像合成方法
US20190026608A1 (en) * 2016-11-23 2019-01-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN109272443A (zh) * 2018-09-30 2019-01-25 东北大学 一种基于全卷积神经网络的pet与ct图像配准方法
CN109308728A (zh) * 2018-10-25 2019-02-05 上海联影医疗科技有限公司 正电子发射型计算机断层扫描图像处理方法及装置
US20190130569A1 (en) * 2017-10-26 2019-05-02 Wisconsin Alumni Research Foundation Deep learning based data-driven approach for attenuation correction of pet data

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101428005B1 (ko) * 2012-10-29 2014-08-07 한국과학기술원 소수의 저선량 ｃｔ 영상을 이용하여 ｐｅｔ 영상을 움직임 보상 및 감쇠 보정하는 방법
CN103054605B (zh) 2012-12-25 2014-06-04 沈阳东软医疗系统有限公司 一种衰减校正的方法和系统
US10078889B2 (en) * 2015-08-25 2018-09-18 Shanghai United Imaging Healthcare Co., Ltd. System and method for image calibration
CN105147312A (zh) 2015-08-25 2015-12-16 上海联影医疗科技有限公司 Pet图像获取方法及系统
CN106491151B (zh) 2016-01-25 2021-01-29 上海联影医疗科技股份有限公司 Pet图像获取方法及系统
CN108389242A (zh) 2018-04-10 2018-08-10 上海联影医疗科技有限公司 投影图像的校正方法及装置
US11234666B2 (en) * 2018-05-31 2022-02-01 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (PET)
KR102283934B1 (ko) * 2018-11-16 2021-07-30 한국원자력의학원 Pet 영상에 기반한 가상 ct 영상 및 감쇠보정 pet 영상 생성 방법 및 시스템
US11475535B2 (en) * 2019-09-25 2022-10-18 Siemens Medical Solutions Usa, Inc. PET-CT registration for medical imaging
CN111436958B (zh) 2020-02-27 2021-06-01 之江实验室 一种用于pet图像衰减校正的ct图像生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170116497A1 (en) * 2015-09-16 2017-04-27 Siemens Healthcare Gmbh Intelligent Multi-scale Medical Image Landmark Detection
US20190026608A1 (en) * 2016-11-23 2019-01-24 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
US20190130569A1 (en) * 2017-10-26 2019-05-02 Wisconsin Alumni Research Foundation Deep learning based data-driven approach for attenuation correction of pet data
CN108765294A (zh) * 2018-06-11 2018-11-06 深圳市唯特视科技有限公司 一种基于全卷积网络和条件生成对抗网络的图像合成方法
CN109272443A (zh) * 2018-09-30 2019-01-25 东北大学 一种基于全卷积神经网络的pet与ct图像配准方法
CN109308728A (zh) * 2018-10-25 2019-02-05 上海联影医疗科技有限公司 正电子发射型计算机断层扫描图像处理方法及装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169695A1 (zh) * 2020-02-27 2021-09-02 之江实验室 一种用于pet图像衰减校正的ct图像生成方法
US11823384B2 (en) 2020-02-27 2023-11-21 Zhejiang Lab CT image generation method for attenuation correction of pet images
CN112419173A (zh) * 2020-11-04 2021-02-26 深圳先进技术研究院 一种由pet图像生成ct图像的深度学习框架和方法
CN113436708A (zh) * 2021-07-22 2021-09-24 杭州电子科技大学 一种基于深度学习算法的延迟ct图像生成方法
CN113436708B (zh) * 2021-07-22 2022-10-25 杭州电子科技大学 一种基于深度学习算法的延迟ct图像生成方法
CN113491529A (zh) * 2021-09-09 2021-10-12 之江实验室 一种无伴随ct辐射的单床pet延迟成像方法
CN113491529B (zh) * 2021-09-09 2021-12-17 之江实验室 一种无伴随ct辐射的单床pet延迟成像方法
CN114820432A (zh) * 2022-03-08 2022-07-29 安徽慧软科技有限公司 一种基于pet和ct弹性配准技术的放射治疗效果评估方法
CN114820432B (zh) * 2022-03-08 2023-04-11 安徽慧软科技有限公司 一种基于pet和ct弹性配准技术的放射治疗效果评估方法

Also Published As

Publication number Publication date
CN111436958B (zh) 2021-06-01
US11823384B2 (en) 2023-11-21
US20230121358A1 (en) 2023-04-20
WO2021169695A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
CN111436958B (zh) 一种用于pet图像衰减校正的ct图像生成方法
Hiraiwa et al. A deep-learning artificial intelligence system for assessment of root morphology of the mandibular first molar on panoramic radiography
JP5254810B2 (ja) リストモードデータに基づく局所動き補償
CN106558045B (zh) 一种肺组织分割方法、装置，医学图像处理系统
US11189374B2 (en) Method and system for calculating SUV normalization coefficient in a SPECT quantitative tomographic image
EP2245592B1 (en) Image registration alignment metric
US8658979B2 (en) Nuclear image reconstruction
CN102100565A (zh) 使用非刚性配准校正门控pet图像中运动的系统和方法
US11475535B2 (en) PET-CT registration for medical imaging
CN101917906A (zh) 通过将物体的围绕物用作动态约束在断层扫描中减少剂量并增强图像
CN108242068A (zh) 用于正电子发射断层成像中的散射校正的方法和系统
US20220313176A1 (en) Artificial Intelligence Training with Multiple Pulsed X-ray Source-in-motion Tomosynthesis Imaging System
CN110084864A (zh) 一种基于能谱ct的电子密度图像重建方法
CN110270015B (zh) 一种基于多序列MRI的sCT生成方法
Arabi et al. MRI‐guided attenuation correction in torso PET/MRI: Assessment of segmentation‐, atlas‐, and deep learning‐based approaches in the presence of outliers
KR102283934B1 (ko) Pet 영상에 기반한 가상 ct 영상 및 감쇠보정 pet 영상 생성 방법 및 시스템
CN104000618A (zh) 一种用环真光子数门控方法进行呼吸运动门控校正技术
JP2010008164A (ja) 減弱係数マップ作成装置、減弱係数マップ作成方法およびプログラム
KR101350496B1 (ko) 광자감쇠지도 생성 방법 및 ｍｒｉ 융합영상시스템
WO2021260928A1 (ja) 吸収係数画像生成方法、核医学診断装置および学習済みモデルの作成方法
Nye et al. Current state of hybrid imaging: attenuation correction and fusion
US11663758B2 (en) Systems and methods for motion estimation in PET imaging using AI image reconstructions
CN113034636B (zh) 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置
Bosmans et al. Physics of Medical Imaging
Visvikis PET-CT Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant