CN111542268A - 改进的基于多焦点非平行准直器的成像 - Google Patents

改进的基于多焦点非平行准直器的成像 Download PDF

Info

Publication number
CN111542268A
CN111542268A CN201880078856.7A CN201880078856A CN111542268A CN 111542268 A CN111542268 A CN 111542268A CN 201880078856 A CN201880078856 A CN 201880078856A CN 111542268 A CN111542268 A CN 111542268A
Authority
CN
China
Prior art keywords
attenuation
corrected
volume
volumes
corrected reconstructed
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
CN201880078856.7A
Other languages
English (en)
Other versions
CN111542268B (zh
Inventor
丁新宏
A·H·维亚
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.)
Siemens Medical Solutions USA Inc
Original Assignee
Siemens Medical Solutions USA Inc
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 Siemens Medical Solutions USA Inc filed Critical Siemens Medical Solutions USA Inc
Publication of CN111542268A publication Critical patent/CN111542268A/zh
Application granted granted Critical
Publication of CN111542268B publication Critical patent/CN111542268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/06—Diaphragms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pulmonology (AREA)
  • Nuclear Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种系统和方法，包括训练人工神经网络以从输入的非衰减校正的重建体积生成模拟的经衰减校正的重建体积，所述训练基于从二维发射数据的多个集合中的相应集合生成的多个非衰减校正的体积并且基于从二维发射数据的所述多个集合中的相应集合生成的多个经衰减校正的重建体积。

Description

改进的基于多焦点非平行准直器的成像
相关申请的交叉引用
本申请涉及并且要求2017年12月5日提交的申请号为No. 62/594,752的美国临时专利申请的优先权，出于所有目的，所述美国临时专利申请的内容通过引用以其整体并入本文中。
背景技术
常规的医学图像可以经由透射成像或发射成像来生成。在透射成像中，成像源（例如，X射线源）在对象外部，并且源辐射（例如，X射线）通过对象透射到检测器。根据发射成像，成像源（例如，发射伽马射线的放射性药物）在对象内部（例如，由于其注射或摄入），并且源辐射（例如，伽马射线）被从对象内发射到检测器。在任一情况下，对象组织内的吸收或散射在由检测器接收源辐射之前使源辐射衰减。
通过确定该衰减在三维空间上的分布来生成图像。在透射成像的情况下，确定衰减是相对容易的，因为透射穿过对象的外部源辐射的量和在检测器处接收的量这两者都是已知的。然而，确定发射成像中的衰减更困难，因为由对象内的（一个或多个）发射源发射的辐射的量不能被直接测量。
因此，在诸如单光子发射计算机断层摄影（SPECT）和正电子发射断层摄影（PET）的发射成像中，在图像生成期间采用衰减校正以便改进图像品质。这些衰减校正对于使用多焦点非平行准直器的成像系统而言可以特别有帮助。具体地，由于这些准直器的强位置相关点扩散函数（PSF）响应，在没有衰减校正的情况下生成的图像对于放射科医师来说可能难以正确地解释。
衰减校正通常基于线性衰减系数（LAC）图（“mu图”），所述线性衰减系数（LAC）图（“mu图”）从对象组织的计算机断层摄影（CT）扫描导出。通常在执行发射成像的同一成像时段期间执行这样的CT扫描。例如，在患者被定位在成像定位中的同时可以获取患者的一部分的发射数据，并且在患者基本上保持在成像定位中的同时可以通过CT扫描来获取患者的类似部分的CT数据。将变换应用于CT数据，以生成患者的该部分的mu图。最后，图像重建处理基于发射数据和mu图生成经衰减校正的体积。
生成mu图所需要的CT扫描向对象组织递送了不合期望的辐射剂量。此外，一些成像系统缺乏用以执行发射成像和同时发生的CT扫描的能力。所需要的是在不要求CT扫描的情况下生成改进的重建图像的高效系统。
附图说明
图1是根据一些实施例的用于训练人工神经网络以生成模拟的经衰减校正的图像的系统的框图；
图2是根据一些实施例的部署经训练的人工神经网络以生成模拟的经衰减校正的图像的系统的框图；
图3是根据一些实施例的网络训练处理的流程图；
图4是图示根据一些实施例的获取标记的训练数据的框图；
图5是根据一些实施例的用于训练人工神经网络以生成模拟的经衰减校正的图像的系统的框图；
图6是根据一些实施例的图5的详细示例，其中训练深度卷积神经网络以生成模拟的经衰减校正的图像；
图7是根据一些实施例的使用附加信息作为输入来训练人工神经网络以生成模拟的经衰减校正的图像的系统的框图；
图8图示了根据一些实施例的双透射和发射成像SPECT/CT系统；和
图9图示了根据一些实施例的仅发射成像系统。
具体实施方式
提供以下描述以使得本领域任何人员能够制造和使用所描述的实施例，并且阐述了为了执行所描述的实施例而设想的最佳模式。然而，各种修改对于本领域技术人员而言将仍然是显而易见的。
一些实施例提供从输入的非衰减校正的重建体积生成模拟的经衰减校正的体积。例如，可以训练人工神经网络，以基于多个非衰减校正的重建体积并且基于CT衰减校正的重建体积来生成模拟的经衰减校正的体积，所述CT衰减校正的重建体积基于相同的二维发射数据来生成。
根据一些实施例，经训练的网络实现对网络的输入的特定函数。所述函数可以被导出到另一个系统，以接收非衰减校正的重建体积（或者可以从其生成非衰减校正的重建体积的发射数据），并且基于此生成模拟的经衰减校正的体积。在一个示例中，训练为全卷积网络的核生成参数值。包括因此参数化的核的另一个全卷积网络可以被高效地并入SPECT或PET重建算法内，以基于发射数据生成模拟的经衰减校正的体积。
一些实施例提供了在现有系统上的技术改进，现有系统需要单独的CT扫描及其所得到的附加辐射剂量，和/或从发射数据产生不令人满意的重建图像。一个这样的技术改进是与现有成像系统相比生成更高的临床准确性的医学图像和/或使患者受到更少的辐射暴露的能力。
图1图示了根据一些实施例的用于训练人工神经网络以生成模拟的经衰减校正的体积的系统100。训练系统115使用非衰减校正的重建体积1-n120和经衰减校正的重建体积1-n130来训练人工神经网络110。根据一些实施例，非衰减校正的重建体积1-n120可以包括基于使用多焦点非平行准直器获取的发射数据而被重建的SPECT图像体积，并且经衰减校正的重建体积1-n130可以包括基于相同发射数据和基于CT数据（或其它透射数据）而被重建的体积。CT数据提供了信息，所述信息使得重建的体积1-n130可以被认为是经衰减校正的。如上所述，经衰减校正的体积可以比其未校正衰减的对应物（体积）更容易或更准确地被解释。
非衰减校正的重建体积1-n120可以包括基于使用平行孔准直器获取的发射数据而被重建的SPECT图像体积。平行孔准直器可以看作是其中焦距接近无穷大的多焦点准直器。
经衰减校正的重建体积1-n130表示用于在由训练系统115进行训练的期间对网络110的性能进行评估的基准数据。例如，对于每个x =1到n，训练系统115可以将非衰减校正的重建体积x120输入到网络110，并且将所得到的输出与经衰减校正的重建体积x130进行比较。然后基于所述比较来修改网络110，并且重复所述处理，直到实现令人满意的性能为止。
人工神经网络110可以包括可训练来近似函数的任何类型的网络。在一些实施例中，网络110接收三维图像并且输出三维图像。网络110可以包括如在现有技术中已知的“u-net”卷积网络架构的实现。
通常，人工神经网络110可以包括神经元网络，所述神经元网络接收输入，根据该输入改变内部状态，并且取决于该输入和内部状态产生输出。某些神经元的输出连接到其它神经元的输入，以形成有向并且加权的图。可以通过基于基准数据的训练处理来修改权重以及对内部状态进行计算的函数。人工神经网络110可以包括已知或变得已知的任何一种或多种类型的人工神经网络，其包括但不限于卷积神经网络、循环神经网络、长短期记忆网络、深度储备池计算和深度回声状态网络、深度置信网络和深度堆叠（stacking）网络。
训练系统115可以包括用于训练已知或变得已知的人工神经网络的任何一个或多个系统。例如，训练系统115可以采用有监督学习、无监督学习和/或强化学习。
根据一些实施例，经训练的人工神经网络110实现一个函数。所述函数可以被表征为与每个网络节点相关联的参数值集合。所述函数可以如在本领域中已知的那样部署到诸如图2的系统200之类的外部系统。
系统200包括经训练的网络210。网络210可以如上面关于网络100所述的那样被训练。尽管被描绘为神经网络，但是网络210可以包括用以实现通过图1的网络110的训练而得到的函数的任何类型的处理系统。例如，网络210可以包括被编程为实现经由先前的神经网络训练而生成的函数的软件应用。系统200可以在时间上和/或地理上远离图1中所描绘的训练来操作。例如，系统100可以包括数据处理设施，而系统200可以包括刚刚已经在其中对患者进行成像的成像影像室。
在操作中，非衰减校正的重建体积220被获取并且被输入到经训练的网络210。体积220的类型或格式与用于训练网络110的体积的类型和格式相对应。然后网络210操作以基于输入体积220来输出模拟的经衰减校正的重建体积230。如上所述，模拟的经衰减校正的重建体积230可以比非衰减校正的重建体积220在临床上更准确和/或更有用，特别是在其中非衰减校正的重建体积220基于使用多焦点非平行准直器获取的发射数据的情况下。此外，可以在不使患者暴露于超过在体积220的生成中使用的辐射的辐射的情况下，生成模拟的经衰减校正的重建体积230。
图3是根据一些实施例的网络训练处理的流程图。本文中描述的处理300和其它处理可以使用硬件和软件的任何合适的组合来执行。体现这些处理的软件程序代码可以由任何非暂时性有形介质存储，包括固定盘、易失性或非易失性随机存取存储器、软盘、CD、DVD、闪存驱动器或磁带。实施例不限于下面描述的示例。
最初，在S310处，生成多个非衰减校正的体积。所述非衰减校正的体积中的每个可以基于相应的二维图像数据集来生成。图4描绘了根据一些实施例的系统400，该系统400用于生成在S310处获取的非衰减校正的体积。例如，发射数据的第一集合（即发射数据1） 405由非AC重建组件415接收，该非AC重建组件415对于发射数据1 405执行重建操作，并且输出对应的非衰减校正的重建体积1 420。针对多个发射数据2-n重复该处理，得到相应的非衰减校正的重建体积2-n。
在S320处，基于二维发射数据的每个集合以及基于二维透射数据的相关联集合来生成经衰减校正的重建体积。图4描绘了根据一些实施例在S320处生成经衰减校正的重建体积。在图示的示例中，通过CT扫描来获取CT数据1-n410中的每一个，所述CT扫描基本上与获取发射数据1-n的对应集合同时执行。例如，发射数据405的集合和对应CT数据410可以已经被如在本领域中已知的SPECT/CT系统获取。
CT到Mu变换组件425将变换应用于CT数据1-n中的每一个，以生成对应的线性衰减系数图（mu图1-n）430。例如，将变换应用于CT数据1410以生成mu图1430，该mu图1 430进而与发射数据1 405相对应。接下来，衰减校正组件435基于发射数据1-n 405的每个对应集合及其对应的mu图1-n 430生成经衰减校正的体积1-n 440。
根据一些实施例，基于CT数据生成mu图包括接收CT图像的像素的输出像素数据。将像素数据的值与预定范围进行比较。如果该值在预定范围之内，则使用与预定范围相对应的第一转换函数从像素数据计算线性衰减系数。如果该值在预定范围之外，则使用与预定范围之外的范围相对应的第二转换函数从像素数据计算线性衰减系数。所计算的系数被作为mu图的一部分存储在存储器中，并且针对CT图像的每个其它像素重复该处理。
在S310和/或S320处生成体积可以包括获取先前生成的体积。可以由不同的成像系统获取发射数据1-n 405的一个或多个集合和对应的CT数据1-n 410，这可以不同于执行处理300的系统。根据一些实施例，处理300由人工智能平台执行，并且从一个或多个数据储库获取非衰减校正的体积和对应的经衰减校正的体积。
在S330处，对人工神经网络进行训练以从输入的非衰减校正的重建体积生成模拟的经衰减校正的体积。所述训练基于在S310中生成的多个非衰减校正的体积，和在S320中生成的经衰减校正的体积中的相应体积。在一些实施例中，网络的训练涉及基于网络的输出确定损失，以及基于损失迭代地修改网络，直到损失达到可接受的水平或者训练以其它方式终止（例如，由于时间限制或者由于损失渐近地接近下界）为止。
图5图示了根据一些实施例的在S330处的训练。在训练期间，网络545接收在S310处获取的非衰减校正的重建体积1-n 520，并且为每个所接收的体积1-n 520生成体积1-n550。损失层组件555通过将每个生成的体积1-n 550与在S320处获取的对应的“基准”经衰减校正的重建体积1-n 540进行比较来确定损失。例如并且参考图4，网络545基于非衰减校正的体积20 550生成体积20 550，该非衰减校正的体积20 550是基于发射数据20 405重建的。损失层组件555将所生成的体积20 550与经衰减校正的体积20 540进行比较，该经衰减校正的体积20 540是基于与发射数据20 405相对应的CT数据20 410生成的。
总损失从损失层组件555反向传播到网络545。损失可以包括L1损失和L2损失或总损失的任何其它合适的度量。L1损失是在每个输出体积与其对应的基准体积之间的绝对差值之和，并且L2损失是在每个输出体积与其对应的基准体积之间差值的平方和。
如在本领域中已知的，网络545基于反向传播损失来改变其内部权重或核参数值。如上所述，再次由网络545和损失层555处理训练数据，并且重复该处理，直到确定了损失已经达到可接受的水平或者训练以其它方式终止为止。在终止时，网络545可以被认为是经训练的。根据一些实施例，由经训练的网络545实现的函数（例如，体现在经训练的卷积核的参数值中）然后可以如图2中所示的那样被部署，以便基于非衰减校正的体积生成经衰减校正的体积，并且不需要基于CT数据的衰减校正。
重建组件415、变换组件425、衰减校正组件435以及本文中描述的每个功能组件可以如在本领域中已知的那样在计算机硬件中、在程序代码中和/或在执行这样的程序代码的一个或多个计算系统中实现。这样的计算系统可以包括执行被存储在存储器系统中的处理器可执行程序代码的一个或多个处理单元。此外，网络545可以包括专门旨在用于基于指定的网络架构和经训练的核参数执行算法的硬件和软件。
图6图示了根据一些实施例的训练架构600。训练架构600可以包括处理300和/或系统500的实现。例如，架构600的网络640可以基于与多个经衰减校正的重建体积1-n 630相对应的相应的多个非衰减校正的重建体积1-n 620来训练。
网络640是由k个内部层组成的卷积网络，其中每个内部层是遵循整流线性单元（ReLU）激活函数的卷积。第k层中的卷积核参数用W k 标示。损失层650计算在由网络640输出的体积与经衰减校正的重建体积1-n 630的相关联体积之间的差异的度量。卷积核
Figure DEST_PATH_IMAGE001
通过多次迭代基于所计算的度量被优化，例如通过使用随机梯度下降（SGD）算法。然后，可以部署包括经优化的核参数的网络，并且馈送非衰减校正的重建体积，以便输出模拟的经衰减校正的重建体积。
图7图示了包括除了图1中描绘的那些训练数据之外的训练数据的架构700。具体地，训练系统715基于非衰减校正的重建体积1-n 720并且基于极坐标图1-n 722、轨道长度1-n724和门控信息1-n 726来训练网络710。使用附加的网络输入可以导致网络710在训练之后准确性增加（即，损失减小）。实施例可以采用极坐标图1-n 722、轨道长度1-n 724和门控信息1-n 726中的一个或多个。
根据一个示例，非衰减校正的重建体积x720基于在发射成像期间获取的发射数据集合。如在本领域中已知的，极坐标图x 722基于发射数据的相同集合被生成。此外，轨道长度x 724是用于获取该发射数据集合的轨道长度，并且门控信息x 726指示用于触发该发射数据集合的获取的门（例如，心动周期中的点）。在一些实施例中，轨道可以是以等中心点为中心的、以心脏为中心的或以其它方式定位的。该数据可以被输入到网络710，并且训练系统715然后可以将所得到的输出与基准经衰减校正的重建体积x 730进行比较，以便训练网络710。
图8图示了可以实现如上所述的处理300的SPECT-CT系统800。系统800可以如本文中所述的那样进一步部署经训练的网络以获取发射数据并且生成经衰减校正的体积。
系统800包括台架802，两个或更多个伽马相机804a、804b附接到该台架802，尽管可以使用任何数量的伽马相机。每个伽马相机内的检测器检测由躺在床808上的患者806身体内的放射性同位素发射的伽马光子（即，发射数据）803。
床808可沿着运动轴线A滑动。在相应的床定位（即成像定位）处，患者806身体的一部分被定位在伽马相机804a、804b之间，以便从该身体部分捕获发射数据。伽马相机804a、804b可以包括如在本领域中已知的多焦点锥形束准直器或平行孔准直器。
系统800还包括CT外壳810，其包括如在本领域中已知的X射线成像系统（未示出）。通常并且根据一些实施例，在使用伽马相机804a和804b获取发射数据之前、期间和/或之后，X射线成像系统获取患者806的二维X射线图像。
控制系统820可以包括任何通用或专用计算系统。因此，控制系统820包括一个或多个处理单元822和存储设备830，所述一个或多个处理单元822被配置为执行处理器可执行程序代码以使得系统820如本文中所述的那样操作，所述存储设备830被用于存储所述程序代码。存储设备830可以包括安装在对应的接口（例如，USB端口）中的一个或多个固定盘、固态随机存取存储器和/或可移除介质（例如，拇指驱动器）。
存储设备830存储系统控制程序831的程序代码。一个或多个处理单元822可以执行系统控制程序831，以结合SPECT系统接口840来控制马达、伺服系统和编码器，从而使得伽马相机804a、804b沿着台架802旋转，并且在旋转期间在限定的成像定位处获取二维发射数据。获取的数据832可以存储在存储器830中。
一个或多个处理单元822还可以执行系统控制程序831以结合CT系统接口845使得CT外壳810内的辐射源从不同的投影角度朝向身体806发射辐射，控制对应的检测器来获取二维CT图像，并且从获取的图像重建三维CT图像。如上所述，可以与发射数据基本上同时发生地获取CT图像，并且可以将重建的图像存储为CT数据833。
可以进一步执行控制程序831以从CT数据833生成mu图834，并且从发射数据832重建非衰减校正的和经衰减校正的重建体积835。非衰减校正的和经衰减校正的重建体积835然后可以用于训练如上所述的网络。卷积核参数836可以包括这样的网络的经训练的参数。
在参数836的训练之后，可以操作系统800来获取发射数据并且基于所述发射数据来重建非衰减校正的体积。所述非衰减校正的体积然后被输入到实现经训练的参数836的网络，以生成模拟的经衰减校正的体积。
模拟的经衰减校正的体积可以经由终端接口848传输到终端850。终端850可以包括被耦合到系统820的显示设备和输入设备。终端850可以显示二维发射数据、CT数据、mu图等中的任何一个，并且可以接收用于控制数据的显示、成像系统800的操作和/或本文中描述的处理的用户输入。在一些实施例中，终端850是单独的计算设备，诸如但不限于台式计算机、膝上型计算机、平板计算机和智能电话。
根据一些实施例，第一系统用于获取发射数据和CT数据，并且用于生成用于训练网络的非衰减校正的和经衰减校正的重建体积，第二系统用于训练网络，并且经训练的网络由一个或多个其它系统部署以在不需要CT数据的情况下生成模拟的经衰减校正的体积。
系统800的组件中的每一个可以包括其操作所必需的其它元件，以及用于提供除了本文中描述的那些功能之外的功能的附加元件。
图9图示了根据一些实施例的系统900。系统900是不包括CT成像系统的SPECT系统。系统900可以获取预先训练的卷积核参数，并且使用所述参数来在不需要CT数据的情况下生成经衰减校正的体积。
实施例不限于如上所述的SPECT成像系统和/或CT成像系统。例如，实施例可以采用任何其它成像形式（例如，磁共振扫描仪、正电子发射扫描仪等）以用于获取发射数据。
本领域技术人员应当领会到，在不脱离权利要求书的情况下，可以配置上述实施例的各种适配和修改。因此，应当理解的是，可以以除了如本文中具体描述的之外的方式来实践权利要求。

Claims (20)

1.一种系统，包括：
存储设备；
处理器，其用于执行被存储在存储设备上的处理器可执行的处理步骤，以使得所述系统用于：
生成多个非衰减校正的重建体积，所述非衰减校正的重建体积中的每个被基于二维发射数据的多个集合中的相应集合来生成；
生成多个经衰减校正的重建体积，所述经衰减校正的重建体积中的每个被基于所述二维发射数据的多个集合中的相应集合来生成；和
训练人工神经网络以从输入的非衰减校正的重建体积中生成模拟的经衰减校正的重建体积，所述训练基于所述多个非衰减校正的体积，以及所述经衰减校正的重建体积中的相应体积。
2.根据权利要求1所述的系统，其中人工神经网络是卷积网络，并且其中处理器要执行处理器可执行的处理步骤，以使得所述系统用于：
将经训练的网络的经训练的核输出到发射成像系统。
3.根据权利要求2所述的系统，进一步包括发射成像系统，所述发射成像系统用于：
获取二维发射数据的集合；
基于所述二维发射数据的所述集合重建非衰减校正的体积；
将所述非衰减校正的重建体积输入到包括经训练的核的第二卷积网络；和
接收由所述第二卷积网络基于输入的非衰减校正的重建体积而生成的模拟的经衰减校正的重建体积。
4.根据权利要求1所述的系统，进一步包括发射成像系统，所述发射成像系统用于：
使用多焦点非平行准直器获取二维发射数据的集合；
基于所述二维发射数据的所述集合重建非衰减校正的体积；
将所述非衰减校正的重建体积输入到经训练的网络；和
接收由所述经训练的网络基于输入的非衰减校正的重建体积而生成的模拟的经衰减校正的重建体积。
5.根据权利要求1所述的系统，其中处理器要执行处理器可执行的处理步骤，以使得所述系统用于：
获取与非衰减校正的重建体积中的每个相关联的极坐标图，并且其中训练人工神经网络包括：
训练人工神经网络以从输入的非衰减校正的重建体积和极坐标图生成模拟的经衰减校正的重建体积，所述训练基于所述多个非衰减校正的体积，以及经衰减校正的重建体积和极坐标图中的相应者。
6.根据权利要求5所述的系统，其中处理器要执行处理器可执行的处理步骤，以使得所述系统用于：
获取与非衰减校正的重建体积中的每个相关联的轨道长度，并且其中训练人工神经网络包括：
训练人工神经网络以从输入的非衰减校正的重建体积、极坐标图和轨道长度生成模拟的经衰减校正的重建体积，所述训练基于所述多个非衰减校正的体积，以及经衰减校正的重建体积、极坐标图和轨道长度中的相应者。
7.根据权利要求1所述的系统，其中二维发射数据的所述多个集合包括使用多焦点非平行准直器获取的SPECT数据。
8.一种方法，包括：
生成多个非衰减校正的重建体积，所述非衰减校正的重建体积中的每个被基于二维发射数据的多个集合中的相应集合来生成；
生成多个经衰减校正的重建体积，所述经衰减校正的重建体积中的每个被基于所述多个非衰减校正的重建体积中的相应体积来生成；和
训练人工神经网络以从输入的非衰减校正的重建体积生成模拟的经衰减校正的重建体积，
所述训练基于所述多个非衰减校正的体积，以及所述经衰减校正的重建体积中的相应体积。
9.根据权利要求8所述的方法，其中人工神经网络是卷积网络，并且所述方法进一步包括：
将经训练的网络的经训练的核输出到发射成像系统。
10.根据权利要求9所述的方法，进一步包括：
获取二维发射数据的集合；
基于所述二维发射数据的集合重建非衰减校正的体积；
将所述非衰减校正的重建体积输入到包括经训练的核的第二卷积网络；和
接收由所述第二卷积网络基于输入的非衰减校正的重建体积而生成的模拟的经衰减校正的重建体积。
11.根据权利要求8所述的方法，进一步包括：
使用多焦点非平行准直器获取二维发射数据的集合；
基于二维发射数据的所述集合重建非衰减校正的体积；
将所述非衰减校正的重建体积输入到经训练的网络；和
接收由所述经训练的网络基于输入的非衰减校正的重建体积而生成的模拟的经衰减校正的重建体积。
12.根据权利要求8所述的方法，进一步包括：
获取与非衰减校正的重建体积中的每个相关联的极坐标图，并且其中训练人工神经网络包括：
训练人工神经网络以从输入的非衰减校正的重建体积和极坐标图生成模拟的经衰减校正的重建体积，所述训练基于所述多个非衰减校正的体积，以及经衰减校正的重建体积和极坐标图中的相应者。
13.根据权利要求12所述的方法，进一步包括：
获取与非衰减校正的重建体积中的每个相关联的轨道长度，并且其中训练人工神经网络包括：
训练人工神经网络以从输入的非衰减校正的重建体积、极坐标图和轨道长度生成模拟的经衰减校正的重建体积，所述训练基于所述多个非衰减校正的体积，以及经衰减校正的重建体积、极坐标图和轨道长度中的相应者。
14.根据权利要求8所述的方法，其中二维发射数据的所述多个集合包括使用多焦点非平行准直器获取的SPECT数据。
15.一种系统，包括：
存储设备，其存储：
多个非衰减校正的重建体积，所述多个非衰减校正的重建体积中的每个被基于二维发射数据的多个集合中的相应集合来生成；
多个经衰减校正的重建体积，所述经衰减校正的重建体积中的每个被基于二维发射数据的所述多个集合中的相应集合来生成；和
人工神经网络的节点；以及
处理器，其用于执行被存储在所述存储设备上的处理器可执行的处理步骤，以使得所述系统用于：
训练所述人工神经网络的节点以从输入的非衰减校正的重建体积生成模拟的经衰减校正的重建体积，所述训练基于所述多个非衰减校正的体积，以及所述多个经衰减校正的重建体积中的相应体积。
16.根据权利要求15所述的系统，其中人工神经网络是卷积网络，并且其中处理器要执行处理器可执行的处理步骤，以使得所述系统用于：
将经训练的网络节点的经训练的核输出到发射成像系统。
17.根据权利要求16所述的系统，进一步包括发射成像系统，所述发射成像系统用于：
获取二维发射数据的集合；
基于二维发射数据的所述集合重建非衰减校正的体积；
将非衰减校正的重建体积输入到包括经训练的核的第二卷积网络；和
接收由所述第二卷积网络基于输入的非衰减校正的重建体积而生成的模拟的经衰减校正的重建体积。
18.根据权利要求15所述的系统，进一步包括发射成像系统，所述发射成像系统用于：
使用多焦点非平行准直器获取二维发射数据的集合；
基于二维发射数据的所述集合重建非衰减校正的体积；
将非衰减校正的重建体积输入到经训练的网络节点；和
接收由所述经训练的网络节点基于输入的非衰减校正的重建体积而生成的模拟的经衰减校正的重建体积。
19.根据权利要求15所述的系统，所述存储设备进一步存储与非衰减校正的重建体积中的每个相关联的极坐标图，并且
其中训练人工神经网络的节点包括对所述人工神经网络的节点进行训练以从输入的非衰减校正的重建体积和极坐标图生成模拟的经衰减校正的重建体积，所述训练基于所述多个非衰减校正的体积，以及经衰减校正的重建体积和极坐标图中的相应者。
20.根据权利要求19所述的系统，其中二维发射数据的多个集合包括使用多焦点非平行准直器获取的SPECT数据。
CN201880078856.7A 2017-12-05 2018-08-28 改进的基于多焦点非平行准直器的成像 Active CN111542268B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762594752P 2017-12-05 2017-12-05
US62/594752 2017-12-05
PCT/US2018/048218 WO2019112658A1 (en) 2017-12-05 2018-08-28 Improved multi-focal non-parallel collimator-based imaging

Publications (2)

Publication Number Publication Date
CN111542268A true CN111542268A (zh) 2020-08-14
CN111542268B CN111542268B (zh) 2023-08-04

Family

ID=66750294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880078856.7A Active CN111542268B (zh) 2017-12-05 2018-08-28 改进的基于多焦点非平行准直器的成像

Country Status (5)

Country Link
US (1) US11335040B2 (zh)
EP (1) EP3703561A4 (zh)
CN (1) CN111542268B (zh)
IL (1) IL274793B2 (zh)
WO (1) WO2019112658A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11508048B2 (en) * 2020-02-10 2022-11-22 Shenzhen Institutes Of Advanced Technology Method and system for generating composite PET-CT image based on non-attenuation-corrected PET image

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050058259A1 (en) * 2003-09-11 2005-03-17 Siemens Medical Solutions Usa, Inc. Method for converting CT data to linear attenuation coefficient map data
WO2007039841A2 (en) * 2005-10-05 2007-04-12 Koninklijke Philips Electronics N.V. Method and system for pet image reconstruction using a surrogate image
US20100010757A1 (en) * 2008-07-14 2010-01-14 Sebastian Schmidt Method for determining an attenuation map
CN101855564A (zh) * 2007-11-09 2010-10-06 皇家飞利浦电子股份有限公司 Mr-pet周期运动门控和校正
US20110110570A1 (en) * 2009-11-10 2011-05-12 Avi Bar-Shalev Apparatus and methods for generating a planar image
CN102124361A (zh) * 2008-08-15 2011-07-13 皇家飞利浦电子股份有限公司 使用磁共振波谱图像数据对pet或spect核成像系统的衰减校正
CN102334044A (zh) * 2009-02-25 2012-01-25 皇家飞利浦电子股份有限公司 混合型 pet/mr 系统中mr 线圈的衰减校正
US20130034286A1 (en) * 2011-08-03 2013-02-07 Siemens Medical Solutions Usa, Inc. Registration of Emission Tomography and Computed Tomography
US20140153806A1 (en) * 2012-12-04 2014-06-05 Christopher Glielmi Mr scan selection for pet attenuation correction
US20140328532A1 (en) * 2011-12-30 2014-11-06 Neusoft Positron Medical Systems Co., Ltd., Shenyang Attenuation correction method and device for image in pet system
US20160163095A1 (en) * 2014-12-08 2016-06-09 General Electric Company Systems and methods for selecting imaging data for principle components analysis
US20170011185A1 (en) * 2015-07-10 2017-01-12 Siemens Healthcare Gmbh Artificial neural network and a method for the classification of medical image data records
US20170014069A1 (en) * 2015-07-14 2017-01-19 Koninklijke Philips N. V. Spectral imaging based fluid volume map
US20170024634A1 (en) * 2015-07-22 2017-01-26 Siemens Medical Solutions Usa, Inc. Method for 2-D/3-D registration based on hierarchical pose regression
CN107133996A (zh) * 2017-03-21 2017-09-05 上海联影医疗科技有限公司 产生用于pet数据重建的衰减图的方法及pet/ct系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7737406B2 (en) 2006-09-27 2010-06-15 Siemens Medical Solutions Usa, Inc. Compensating for truncated CT images for use as attenuation maps in emission tomography
US8098916B2 (en) * 2007-10-30 2012-01-17 General Electric Company System and method for image-based attenuation correction of PET/SPECT images
US9031300B1 (en) * 2013-10-25 2015-05-12 General Electric Company System and method reconstructing a nuclear medicine image using deformed attenuation image
US10593071B2 (en) * 2017-04-14 2020-03-17 Siemens Medical Solutions Usa, Inc. Network training and architecture for medical imaging

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050058259A1 (en) * 2003-09-11 2005-03-17 Siemens Medical Solutions Usa, Inc. Method for converting CT data to linear attenuation coefficient map data
WO2007039841A2 (en) * 2005-10-05 2007-04-12 Koninklijke Philips Electronics N.V. Method and system for pet image reconstruction using a surrogate image
CN101855564A (zh) * 2007-11-09 2010-10-06 皇家飞利浦电子股份有限公司 Mr-pet周期运动门控和校正
US20100010757A1 (en) * 2008-07-14 2010-01-14 Sebastian Schmidt Method for determining an attenuation map
CN102124361A (zh) * 2008-08-15 2011-07-13 皇家飞利浦电子股份有限公司 使用磁共振波谱图像数据对pet或spect核成像系统的衰减校正
CN102334044A (zh) * 2009-02-25 2012-01-25 皇家飞利浦电子股份有限公司 混合型 pet/mr 系统中mr 线圈的衰减校正
US20110110570A1 (en) * 2009-11-10 2011-05-12 Avi Bar-Shalev Apparatus and methods for generating a planar image
US20130034286A1 (en) * 2011-08-03 2013-02-07 Siemens Medical Solutions Usa, Inc. Registration of Emission Tomography and Computed Tomography
US20140328532A1 (en) * 2011-12-30 2014-11-06 Neusoft Positron Medical Systems Co., Ltd., Shenyang Attenuation correction method and device for image in pet system
US20140153806A1 (en) * 2012-12-04 2014-06-05 Christopher Glielmi Mr scan selection for pet attenuation correction
US20160163095A1 (en) * 2014-12-08 2016-06-09 General Electric Company Systems and methods for selecting imaging data for principle components analysis
US20170011185A1 (en) * 2015-07-10 2017-01-12 Siemens Healthcare Gmbh Artificial neural network and a method for the classification of medical image data records
US20170014069A1 (en) * 2015-07-14 2017-01-19 Koninklijke Philips N. V. Spectral imaging based fluid volume map
US20170024634A1 (en) * 2015-07-22 2017-01-26 Siemens Medical Solutions Usa, Inc. Method for 2-D/3-D registration based on hierarchical pose regression
CN107133996A (zh) * 2017-03-21 2017-09-05 上海联影医疗科技有限公司 产生用于pet数据重建的衰减图的方法及pet/ct系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MA NOGUEIRA: "An artificial neural networks approach for assessment treatment response in oncological patients using PET/CT images", 《BMC MEDICAL IMAGING》 *

Also Published As

Publication number Publication date
US20200258272A1 (en) 2020-08-13
IL274793A (en) 2020-07-30
IL274793B2 (en) 2024-03-01
EP3703561A1 (en) 2020-09-09
US11335040B2 (en) 2022-05-17
IL274793B1 (en) 2023-11-01
EP3703561A4 (en) 2021-08-25
CN111542268B (zh) 2023-08-04
WO2019112658A1 (en) 2019-06-13

Similar Documents

Publication Publication Date Title
US10593071B2 (en) Network training and architecture for medical imaging
US20230119427A1 (en) Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction
CN110807737B (zh) 迭代图像重建框架
JP7202302B2 (ja) 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定
CN107871331B (zh) 用于重构发射活动图像的系统和方法
US11410374B2 (en) Synthetic parameterized computed tomography from surface data in medical imaging
US20070274581A1 (en) Methods and apparatus for BIS correction
KR20100133950A (ko) 동적인 제약들에 따른 오브젝트 주변의 사용을 통한 단층 촬영에 있어서의 양 감소 및 이미지 강화
WO2018115570A1 (en) An apparatus and associated method for imaging
JP2020521134A (ja) 画像再構築のための方法および装置
US8755586B2 (en) Image reconstruction including shift-variant blur compensation
US11334987B2 (en) Physics-constrained network and training thereof
US11874411B2 (en) Estimation of partially missing attenuation in time-of-flight positron emission tomography
WO2021182281A1 (ja) 医用画像処理装置、コンピュータプログラム及び核医学装置
CN111542268B (zh) 改进的基于多焦点非平行准直器的成像
US11164344B2 (en) PET image reconstruction using TOF data and neural network
US11484279B2 (en) Systems to assess projection data inconsistency
US10217250B2 (en) Multi-view tomographic reconstruction
US11574184B2 (en) Multi-modal reconstruction network
EP4062836A1 (en) Neural network-assisted dose assessment based on activity image
US11810228B2 (en) Network determination of limited-angle reconstruction
CN111915495A (zh) 获取截断部分预测图像的方法及装置
CN115774281A (zh) 用于断层摄影不一致性检测的基于衰减校正的加权
CN111915692A (zh) 成像方法及装置
Us Reduction of Limited Angle Artifacts in Medical Tomography via Image Reconstruction

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