CN111544022A - 一种pet衰减校正方法、装置和计算机设备 - Google Patents
一种pet衰减校正方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111544022A CN111544022A CN202010400414.9A CN202010400414A CN111544022A CN 111544022 A CN111544022 A CN 111544022A CN 202010400414 A CN202010400414 A CN 202010400414A CN 111544022 A CN111544022 A CN 111544022A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- deep learning
- learning model
- scanning
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000002591 computed tomography Methods 0.000 claims abstract description 122
- 238000013136 deep learning model Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001915 proofreading effect Effects 0.000 claims description 10
- 238000003702 image correction Methods 0.000 claims description 7
- 238000002600 positron emission tomography Methods 0.000 description 141
- 238000003384 imaging method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000005855 radiation Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- A61B6/58—Testing, adjusting or calibrating apparatus or devices for radiation diagnosis
- A61B6/582—Calibration
Abstract
本申请涉及一种PET衰减校正方法、装置和计算机设备,其中,该PET衰减校正方法包括:相比于相关技术,本申请实施例提供的一种PET衰减校正方法,通过获取扫描对象的定位像和第一PET图像,将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像,根据所述CT扫描图像对所述第一PET图像执行衰减校正,获得所述扫描对象的第二PET图像,解决了相关技术中基于PET扫描及CT扫描来进行图像衰减校正,增加额外CT辐射剂量的问题,在进行了衰减校正的基础上,降低了CT辐射剂量,减少了影像设备对患者身体所造成的伤害。
Description
技术领域
本申请涉及医疗影像技术领域,特别是涉及一种PET衰减校正方法、装置和计算机设备。
背景技术
随着医学成像技术的不断发展,为了更好的对人体进行检查,采用多种技术融合的方式对人体进行检测。例如,PET-CT对器官以及软组织检测使用PET(Positron EmissionComputed Tomography,正电子发射型计算机断层显像),对人体进行体层检测使用CT(Computed Tomography,电子计算机X射线断层扫描)。通过同时获得CT图像和PET图像,两种图像优势互补,使医生在了解生物代谢信息的同时获得精准的解剖定位,从而对疾病做出全面、准确的判断。
在相关技术中,基于CT的优点,可利用CT扫描图像对PET图像进行衰减校正,使经过衰减校正的PET图像能够达到定量分析的目的,提高PET图像诊断的准确性,常见的做法是利用CT扫描覆盖整个人体,以得到全身组织对于X射线的衰减系数,但是该方式增加了额外CT辐射的剂量,加大了对人体的伤害。
目前针对相关技术中基于PET扫描及CT扫描来进行图像衰减校正,增加了额外CT辐射剂量的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种PET衰减校正方法、装置和计算机设备,以至少解决相关技术中基于PET扫描及CT扫描来进行图像衰减校正,增加了额外CT辐射剂量的问题。
第一方面,本申请实施例提供了一种PET衰减校正方法,所述方法包括:
获取扫描对象的定位像和第一PET图像;
将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像;
根据所述CT扫描图像对所述第一PET图像执行衰减校正,获得所述扫描对象的第二PET图像。
在其中一些实施例中,所述方法包括:所述将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像包括:
根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵;
将所述训练矩阵输入至所述深度学习模型,获得所述CT扫描图像。
在其中一些实施例中,所述训练所述深度学习模型的方法包括:
建立深度学习模型;
从图像数据库中获取多个扫描对象的定位像、第一PET图像和CT扫描图像,所述定位像、第一PET图像、CT扫描图像按照与扫描对象的关联程度进行组别划分;
利用同一组别的所述定位像、所述第一PET图像和所述CT扫描图像对深度学习模型进行训练。
在其中一些实施例中,所述根据所述定位像、所述第一PET图像和所述CT扫描图像训练所述深度学习模型包括:
根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵;
将所述CT扫描图像作为所述深度学习模型的校对矩阵,并根据所述校对矩阵和所述训练矩阵训练所述深度学习模型。
第二方面,本申请实施例提供了一种PET衰减校正装置,所述装置包括:图像获取模块和图像校正模块:
所述图像获取模块,用于获取扫描对象的定位像和第一PET图像,将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像;
所述图像校正模块,用于所述CT扫描图像对所述第一PET图像执行衰减校正,获得所述扫描对象的第二PET图像。
在其中一些实施例中,所述图像获取模块还用于根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵,将所述训练矩阵输入至所述深度学习模型,获得所述CT图像。
在其中一些实施例中,所述装置还包括模型训练模块:
所述模型训练模块用于建立深度学习模型,从图像数据库中获取多个扫描对象的定位像、第一PET图像和CT扫描图像,所述定位像、第一PET图像、CT扫描图像按照与扫描对象的关联程度进行组别划分,利用同一组别的所述定位像、所述第一PET图像和所述CT扫描图像对深度学习模型进行训练。
在其中一些实施例中,所述模型训练模块还用于根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵,将所述CT扫描图像作为所述深度学习模型的校对矩阵,并根据所述校对矩阵和所述训练矩阵训练所述深度学习模型。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的PET衰减校正方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的PET衰减校正方法。
相比于相关技术,本申请实施例提供的PET衰减校正方法,通过获取扫描对象的定位像和第一PET图像,将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像,根据所述CT扫描图像对所述第一PET图像执行衰减校正,获得所述扫描对象的第二PET图像,解决了相关技术中基于PET扫描及CT扫描来进行衰减校正,增加额外CT辐射剂量的问题,在进行了衰减校正的基础上,降低了CT辐射剂量,减少了影像设备对患者身体所造成的伤害。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的PET衰减校正方法的流程图;
图2是根据本申请实施例的将定位像和第一PET图像输入到深度学习模型获得扫描对象的CT扫描图像的方法的流程图;
图3是根据本申请实施例的训练深度学习模型的方法的流程图;
图4是根据本申请实施例的根据定位像、第一PET图像和CT扫描图像训练深度学习模型的方法的流程图;
图5是根据本申请实施例的PET衰减校正装置的结构框图;
图6是根据本申请实施例的另一种PET衰减校正装置的结构框图;
图7是根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
正电子发射断层显像(Positron Emission Tomography,PET)是医学领域比较先进的临床检查影像技术。原理是将某种物质,一般是生物生命代谢中必须的物质,如:葡萄糖、蛋白质、核酸、脂肪酸,标记上短寿命的放射性核素(如18F,11C等),注入人体后,放射性核素在衰变过程中释放出正电子,一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭,从而产生两个能量相等、方向相反的γ光子。由于两个γ光子在体内的路程不同,到达两个PET探测器的时间也有一定差别,如果在规定的时间窗内,位于响应线上的探头系统探测到两个互成180度的光子时,构成一个符合事件,处理设备就会记录下响应的数据,将所记录下的响应的数据通过图像重建技术,来获得所需要的PET图像。
计算机断层扫描设备(CT)通常包括机架、扫描床以及供医生操作的控制台。机架的一侧设置有球管,与球管相对的一侧设置有探测器。控制台为控制球管以及探测器进行扫描的计算机设备,计算机设备还用于接收探测器采集到的数据,并对数据进行处理重建,最终形成CT图像。在利用CT进行扫描时,患者躺在扫描床上,由扫描床将患者送入机架的孔径内,机架上设置的球管发出X射线,X射线穿过患者被探测器接收形成数据,并将数据传输给计算机设备,计算机设备对数据进行初步处理以及图像重建得到CT图像。
PET/CT设备(正电子发射断层显像/X线计算机断层成像仪,全称PositronEmission Tomography/Computed Tomography),是一种将PET(功能代谢显像)和CT(解剖结构显像)两种影像技术有机地结合在一起的新型的影像设备。具体地,PET技术是将放射性标记药物注射到人体内,然后采用探测器探测放射性标记药物在人体各脏器内的湮灭情况,并根据湮灭事件得到人体脏器的断层图像,同时应用CT技术为放射性标记药物在人体内的分布情况进行精确定位,使这台机器同时具有PET和CT的优点。
利用PET扫描成像,其依赖于准确的衰减校正,未经过衰减校正的PET图像无法提供准确的SUV值(标准摄取值,Standard Uptake Value)用以疾病诊断。进而,基于CT的优点,可利用CT图像对PET图像进行衰减校正,使经过衰减校正的PET图像能够达到定量分析的目的,提高PET图像诊断的准确性。然而,CT的透射成像对人体会造成额外的辐射损伤,在无明确临床症状的情况下,一般是不建议进行全身CT扫描。在部分区段缺乏CT扫描的情况下(例如人体下肢),若需要对PET全身成像进行衰减校正(即需要获取全身的γ线的衰减图像),传统的方式是基于无CT扫描区段的PET图像信息得到该区段的衰减图像信息,最终得到对应于全身的γ线的衰减图像。但是,PET的放射性活度分布与γ线的衰减图像之间并无明确的对应关系,因此,该方式的准确度和可靠性低。此外,为了对PET全身成像进行衰减校正,另一种典型的做法是利用CT扫描覆盖整个人体,以得到全身组织对应的X射线的衰减系数,但是该方式提升了CT辐射的剂量,加大了对人体的伤害。
本申请提供的PET衰减校正方法,应用于PET/CT设备中,是基于无CT扫描区段的PET图像和定位像得到该区段的带衰减信息的图像,最终得到可用于定量分析的PET图像。
本实施例提供了一种PET衰减校正方法,图1是根据本申请实施例的PET衰减校正方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取扫描对象的定位像和第一PET图像;其中,定位像是数字摄影像,是通常PET-CT或者CT在扫描病人之前需要事先扫描的,一般的使用场景中,定位像用于CT技术员对横断扫描的定位,因此定位像可以是通过摄像机或者摄影机所拍摄的数字摄影像,也可以是PET-CT或者CT在扫描病人之前事先扫描的二维图像。
步骤S102,根据CT扫描图像对第一PET图像执行衰减校正,获得扫描对象的第二PET图像。
第一PET图像是首先基于无CT扫描区段的PET图像信息得到该区段的衰减图像信息,然后基于衰减图像信息得到对应于全身的γ线的衰减图像;深度学习模型是已基于历史输入量和历史输出量进行了训练而获得的,需要说明的是,历史输入变量包括历史定位像和历史第一PET图像,历史输出量包括历史CT扫描图像。
步骤S103,根据CT扫描图像对第一PET图像执行衰减校正,获得扫描对象的第二PET图像;其中,第一PET图像可以理解为是未衰减校正的PET图像,第二PET图像可以理解为是经过衰减校正的PET图像。
在其中一些实施例中,获取第二PET图像的标准摄取值,根据标准摄取值决定是否需要进行CT扫描图像补充扫描,例如,判断标准摄取值是否低于阈值,若标准摄取值是否低于阈值,增加一次CT扫描,根据增加的CT扫描所获得的CT扫描图像对第一PET图像进行衰减校正。
在其中一些实施例中,获取第二PET图像的标准摄取值,根据标准摄取值决定是否需要进行CT扫描图像补充扫描,例如,判断标准摄取值是否低于阈值,若标准摄取值是否低于阈值,增加一次CT扫描,根据增加的CT扫描所获得的CT扫描图像对第二PET图像进行衰减校正。
通过步骤S101至步骤S103,将当前扫描对象的定位像和第一PET图像输入至深度学习模型中,以获得当前扫描对象的CT扫描图像,进行无需利用CT扫描覆盖当前扫描对象的整个人体以获得CT扫描图像,最终通过CT扫描图像对第一PET图像执行衰减校正,获得扫描对象的第二PET图像,解决了相关技术中基于PET扫描及CT扫描来进行衰减校正,增加额外CT辐射剂量的问题,降低了CT辐射剂量,减少了CT影像设备对患者身体所造成的伤害。
在其中一些实施例中,图2是根据本申请实施例的将定位像和第一PET图像输入到深度学习模型获得扫描对象的CT扫描图像的方法的流程图,该方法包括如下步骤:
步骤S201,根据定位像和第一PET图像确定深度学习模型的训练矩阵;基于已经训练好的深度学习模型,将当前扫描对象的定位像和第一PET图像作为深度学习模型的当前训练矩阵。
步骤S202,将训练矩阵输入至深度学习模型,获得CT扫描图像;将当前训练矩阵输入至已经训练好的深度学习模型中,已经训练好的深度学习模型根据输入的当前训练矩阵输出与当前训练矩阵有关联的当前扫描对象的CT扫描图像。
通过步骤S201和步骤S202,基于通过历史定位像、历史第一PET图像、历史CT图像训练好的深度学习模型,将当前扫描对象的定位像和第一PET图像作为深度学习模型的当前训练矩阵,已经训练好的深度学习模型根据输入的当前训练矩阵输出与当前训练矩阵有关联的当前扫描对象的CT扫描图像。
在其中一些实施例中,图3是根据本申请实施例的训练深度学习模型的方法的流程图,该方法包括如下步骤:
步骤S301,建立深度学习模型;该深度学习模型是待训练的。
步骤S302,从图像数据库中获取多个扫描对象的定位像、第一PET图像和CT扫描图像,定位像、第一PET图像、CT扫描图像按照与扫描对象的关联程度进行组别划分;需要说明的是,图像数据库中存储有大量历史扫描对象或者扫描模型的历史定位像、历史第一PET图像,以及与历史定位像、历史第一PET图像相关联的CT扫描图像。
步骤S303,利用同一组别的定位像、第一PET图像和CT扫描图像对深度学习模型进行训练。通过图像数据库中存储的大量历史扫描对象或者扫描模型的历史定位像、历史第一PET图像,以及与历史定位像、历史第一PET图像相对应关联的CT扫描图像,来训练深度学习模型,以使得输入定位像、第一PET图像至该深度学习模型中,该深度学习模型能够输出与定位像、第一PET图像相关联的CT扫描图像。
通过步骤S301至步骤S303,根据图像数据库中多个扫描对象的定位像、第一PET图像和CT扫描图像,训练深度学习模型,以使得训练好的深度学习模型的输出图像更加精确。
在其中一些实施例中,图4是根据本申请实施例的根据定位像、第一PET图像和CT扫描图像训练深度学习模型的方法的流程图,该方法包括如下步骤:
步骤S401,根据定位像和第一PET图像确定深度学习模型的训练矩阵;在训练深度学习模型前,将图像数据库中的定位像、第一PET图像和CT扫描图像赋予不同的作用,基于深度学习模型的最终目的是为了通过扫描对象的定位像、第一PET图像来获得扫描对象的CT扫描图像,因此在训练深度学习模型时,将定位像和第一PET图像作为输入深度学习模型的训练矩阵。
步骤S402,将CT扫描图像作为深度学习模型的校对矩阵,并根据校对矩阵和训练矩阵训练深度学习模型;基于深度学习模型是通过扫描对象的定位像、第一PET图像来获得扫描对象的CT扫描图像的目的,在训练深度学习模型中,可将图像数据库中已知的CT扫描图像来校对深度学习模型。
通过步骤S401至步骤S402,根据深度学习模型是通过扫描对象的定位像、第一PET图像来获得扫描对象的CT扫描图像的目的,将图像数据库中大量的定位像和第一PET图像作为训练矩阵,将图像数据库中大量的关联的CT扫描图像作为校对矩阵,提高所训练的深度学习模型的可靠性。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种PET衰减校正装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在一些实施例中,图5是根据本申请实施例的PET衰减校正装置的结构框图,如图5所示,该装置包括:图像获取模块51和图像校正模块52:
图像获取模块51,用于获取扫描对象的定位像和第一PET图像,将定位像和第一PET图像输入到深度学习模型,获得扫描对象的CT扫描图像;其中,深度学习模型是已基于历史输入量和历史输出量进行了训练而获得的,需要说明的是,历史输入变量包括历史定位像和历史第一PET图像,历史输出量包括历史CT扫描图像。
图像校正模块52,用于根据CT扫描图像对第一PET图像执行衰减校正,获得扫描对象的第二PET图像;其中,第一PET图像可以理解为是未衰减校正的PET图像,第二PET图像可以理解为是经过衰减校正的PET图像。
通过PET衰减校正装置,图像获取模块51将获取的当前扫描对象的定位像和第一PET图像输入到深度学习模型中,以获得当前扫描对象的CT扫描图像,进而无需利用CT扫描覆盖当前扫描对象的整个人体以获得CT扫描图像,图像校正模块52最终通过CT图像对第一PET图像执行衰减校正,以得到当前扫描对象的第二PET图像,解决了相关技术中基于PET扫描及CT扫描来进行图像衰减校正,增加额外CT辐射剂量的问题,降低了CT辐射剂量,减少了CT影像设备对患者身体所造成的伤害。
在一些实施例中,图像获取模块51还用于根据定位像和第一PET图像确定深度学习模型的训练矩阵,将训练矩阵输入至深度学习模型,获得CT扫描图像。
基于通过历史定位像、历史第一PET图像、历史CT扫描图像训练好的深度学习模型,将当前扫描对象的定位像和第一PET图像作为深度学习模型的当前训练矩阵,已经训练好的深度学习模型根据输入的当前训练矩阵输出与当前训练矩阵有关联的当前扫描对象的CT扫描图像。
在一些实施例中,图6是根据本申请实施例的另一种PET衰减校正装置的结构框图,如图6所示,PET衰减校正装置还包括:模型训练模块61;
模型训练模块61用于建立深度学习模型,用于从图像数据库中获取多个扫描对象的定位像、第一PET图像和CT扫描图像,根据定位像、第一PET图像和CT扫描图像训练深度学习模型。
在一些实施例中,模型训练模块61还用于根据定位像和第一PET图像确定深度学习模型的训练矩阵,将CT扫描图像作为深度学习模型的校对矩阵,并根据校对矩阵和训练矩阵训练深度学习模型。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例的PET图像衰减校正方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。
具体地,上述处理器可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在数据处理装置的内部或外部。在特定实施例中,存储器是非易失性(Non-Volatile)存储器。在特定实施例中,存储器包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种PET图像衰减校正方法。
在其中一些实施例中,计算机设备还可包括通信接口73和总线70,图7是根据本申请实施例的计算机设备的硬件结构示意图,如图7所示,处理器71、存储器72、通信接口73通过总线70连接并完成相互间的通信。
通信接口73用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口73还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线70包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线70包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线70可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽互连、低引脚数(LowPin Count,简称为LPC)总线、存储器总线、微信道架构(Micro Channel Architecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced TechnologyAttachment,简称为SATA)总线、视频电子标准协会局部(Video Electronics StandardsAssociation Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线70可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的PET图像衰减校正方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种PET图像衰减校正方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种PET图像衰减校正方法,其特征在于,所述方法包括:
获取扫描对象的定位像和第一PET图像;
将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像;
根据所述CT扫描图像对所述第一PET图像执行衰减校正,获得所述扫描对象的第二PET图像。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:所述将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像包括:
根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵;
将所述训练矩阵输入至所述深度学习模型,获得所述CT扫描图像。
3.根据权利要求1所述的方法,其特征在于,训练所述深度学习模型的方法包括:
建立深度学习模型;
从图像数据库中获取多个扫描对象的定位像、第一PET图像和CT扫描图像,所述定位像、第一PET图像、CT扫描图像按照与扫描对象的关联程度进行组别划分;
利用同一组别的所述定位像、所述第一PET图像和所述CT扫描图像对深度学习模型进行训练。
4.根据权利要求3所述的方法,其特征在于,所述根据所述定位像、所述第一PET图像和所述CT扫描图像训练所述深度学习模型包括:
根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵;
将所述CT扫描图像作为所述深度学习模型的校对矩阵,并根据所述校对矩阵和所述训练矩阵训练所述深度学习模型。
5.一种PET衰减校正装置,其特征在于,所述装置包括:图像获取模块和图像校正模块:
所述图像获取模块,用于获取扫描对象的定位像和第一PET图像,将所述定位像和所述第一PET图像输入到深度学习模型,获得所述扫描对象的CT扫描图像;
所述图像校正模块,用于所述CT扫描图像对所述第一PET图像执行衰减校正,获得所述扫描对象的第二PET图像。
6.根据权利要求5所述的装置,其特征在于,所述图像获取模块还用于根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵,将所述训练矩阵输入至所述深度学习模型,获得所述CT扫描图像。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括模型训练模块:
所述模型训练模块用于建立深度学习模型,从图像数据库中获取多个扫描对象的定位像、第一PET图像和CT扫描图像,所述定位像、第一PET图像、CT扫描图像按照与扫描对象的关联程度进行组别划分,利用同一组别的所述定位像、所述第一PET图像和所述CT扫描图像对深度学习模型进行训练。
8.根据权利要求7所述的装置,其特征在于,所述模型训练模块还用于根据所述定位像和所述第一PET图像确定所述深度学习模型的训练矩阵,将所述CT扫描图像作为所述深度学习模型的校对矩阵,并根据所述校对矩阵和所述训练矩阵训练所述深度学习模型。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400414.9A CN111544022B (zh) | 2020-05-13 | 2020-05-13 | 一种pet衰减校正方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400414.9A CN111544022B (zh) | 2020-05-13 | 2020-05-13 | 一种pet衰减校正方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111544022A true CN111544022A (zh) | 2020-08-18 |
CN111544022B CN111544022B (zh) | 2023-11-28 |
Family
ID=72004647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010400414.9A Active CN111544022B (zh) | 2020-05-13 | 2020-05-13 | 一种pet衰减校正方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111544022B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111956253A (zh) * | 2020-09-14 | 2020-11-20 | 明峰医疗系统股份有限公司 | 一种非匹配式pet扫描和重建方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106963406A (zh) * | 2013-10-30 | 2017-07-21 | 上海联影医疗科技有限公司 | 衰减图及正电子发射断层图像生成装置 |
CN109903356A (zh) * | 2019-05-13 | 2019-06-18 | 南京邮电大学 | 基于深度多重解析网络的缺失ct投影数据估计方法 |
CN110215228A (zh) * | 2019-06-11 | 2019-09-10 | 上海联影医疗科技有限公司 | Pet重建衰减校正方法、系统、可读存储介质和设备 |
CN110223247A (zh) * | 2019-05-20 | 2019-09-10 | 上海联影医疗科技有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
CN110337673A (zh) * | 2017-01-05 | 2019-10-15 | 通用电气公司 | 基于深度学习的对在断层摄影重建中使用的数据的估计 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009047602A (ja) * | 2007-08-21 | 2009-03-05 | Toshiba Corp | 陽電子放出コンピュータ断層撮影装置、減弱マップ作成装置および減弱マップ作成プログラム |
-
2020
- 2020-05-13 CN CN202010400414.9A patent/CN111544022B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106963406A (zh) * | 2013-10-30 | 2017-07-21 | 上海联影医疗科技有限公司 | 衰减图及正电子发射断层图像生成装置 |
CN110337673A (zh) * | 2017-01-05 | 2019-10-15 | 通用电气公司 | 基于深度学习的对在断层摄影重建中使用的数据的估计 |
CN109903356A (zh) * | 2019-05-13 | 2019-06-18 | 南京邮电大学 | 基于深度多重解析网络的缺失ct投影数据估计方法 |
CN110223247A (zh) * | 2019-05-20 | 2019-09-10 | 上海联影医疗科技有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
CN110215228A (zh) * | 2019-06-11 | 2019-09-10 | 上海联影医疗科技有限公司 | Pet重建衰减校正方法、系统、可读存储介质和设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111956253A (zh) * | 2020-09-14 | 2020-11-20 | 明峰医疗系统股份有限公司 | 一种非匹配式pet扫描和重建方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111544022B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111493909B (zh) | 医学图像扫描方法、装置、计算机设备和存储介质 | |
RU2524302C2 (ru) | Расширение на основе модели поля обзора при радионуклидной визуализации | |
US10147206B2 (en) | Determining PET scanning time | |
CN110742632B (zh) | Pet图像衰减校正方法和pet-ct设备 | |
CN111887878B (zh) | Pet扫描方法 | |
EP3229689B1 (en) | Outside-fov activity estimation using surview and prior patient data in positron emission tomography | |
US9002082B2 (en) | Axially varying truncation completion for MR-based attenuation correction for PET/MR | |
CN111493908A (zh) | 医学图像扫描方法、装置、计算机设备和存储介质 | |
CN111544022B (zh) | 一种pet衰减校正方法、装置和计算机设备 | |
CN110223247B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
JP4997575B2 (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 | |
CN111281433B (zh) | 用于计算机断层扫描检查的基于定位片的脂肪量化 | |
CN112971824A (zh) | Pet动态图像扫描方法、装置和计算机设备 | |
EP2975430A1 (en) | Apparatus and method for calculating correction factor | |
CN110215226B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
US20200303061A1 (en) | Systems and methods for generating a result image | |
CN111700633A (zh) | Pet图像衰减校正方法、装置、计算机设备和可读存储介质 | |
CN113081018A (zh) | Pet医学成像系统 | |
CN111316327A (zh) | 对移动对象的pet数据的衰减校正 | |
CN111445550B (zh) | Pet图像的迭代重建方法、装置和计算机可读存储介质 | |
CN111768463A (zh) | Pet图像衰减校正方法、装置和计算机设备 | |
CN110992280B (zh) | Pet图像衰减校正方法、装置、计算机设备 | |
CN214434255U (zh) | 医学成像系统 | |
CN111956253B (zh) | 一种非匹配式pet扫描和重建方法 | |
CN111445550A (zh) | Pet图像的迭代重建方法、装置和计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |