CN111887875A - Pet设备校正方法、装置、计算机设备和存储介质 - Google Patents
Pet设备校正方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111887875A CN111887875A CN202010847596.4A CN202010847596A CN111887875A CN 111887875 A CN111887875 A CN 111887875A CN 202010847596 A CN202010847596 A CN 202010847596A CN 111887875 A CN111887875 A CN 111887875A
- Authority
- CN
- China
- Prior art keywords
- correction image
- detector
- correction
- image
- training
- 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 140
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005855 radiation Effects 0.000 claims abstract description 110
- 239000013078 crystal Substances 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 29
- 230000002285 radioactive effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 66
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000002600 positron emission tomography Methods 0.000 description 71
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 7
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 description 5
- ANDNPYOOQLLLIU-UHFFFAOYSA-N [Y].[Lu] Chemical compound [Y].[Lu] ANDNPYOOQLLLIU-UHFFFAOYSA-N 0.000 description 5
- 238000013529 biological neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 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 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 208000019155 Radiation injury Diseases 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-BJUDXGSMSA-N carbon-11 Chemical compound [11C] OKTJSMMVPCPJKN-BJUDXGSMSA-N 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- BOYZAERJCXIRAX-UHFFFAOYSA-N lutetium(3+);trisilicate Chemical compound [Lu+3].[Lu+3].[Lu+3].[Lu+3].[O-][Si]([O-])([O-])[O-].[O-][Si]([O-])([O-])[O-].[O-][Si]([O-])([O-])[O-] BOYZAERJCXIRAX-UHFFFAOYSA-N 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- FVAUCKIRQBBSSJ-UHFFFAOYSA-M sodium iodide Chemical compound [Na+].[I-] FVAUCKIRQBBSSJ-UHFFFAOYSA-M 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T7/00—Details of radiation-measuring instruments
- G01T7/005—Details of radiation-measuring instruments calibration techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine (AREA)
Abstract
本申请涉及一种PET设备校正方法,其中,该PET设备校正方法包括:获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;对所述本底辐射数据进行解析,得到第一校正图像;将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像;根据所述第二校正图像对PET设备进行校正。上述PET设备校正方法、装置、计算机设备和存储介质,通过神经网络对本底辐射数据得到的校正图像进行增强,以克服本底辐射数据准确性较差的问题,避免了使用放射源,减少了医师受到辐射的剂量,减少了医院的使用成本。
Description
技术领域
本申请涉及医疗器械技术领域,特别是涉及一种PET设备校正方法、装置、计算机设备和存储介质。
背景技术
正电子发射计算机断层扫描(PET,Positron Emission Computed Tomography),是核医学领域比较先进的临床检查影像技术。其大致方法是,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F18,碳11等),注入人体后,通过对于该物质在代谢中的聚集,来反映生命代谢活动的情况,从而达到诊断的目的。由于正电子发射计算机断层扫描具有灵敏度高、特异性高以及安全性好等特点,因此,正电子发射计算机断层扫描被更为广泛的应用。PET系统在使用过程中,在更换配件之后需要进行校正,在没有更换配件的情况下也要定期校正。
传统的校正流程需要在模体中灌注放射源,采集放射源模体的辐射数据,并对采集到的数据进行解析处理,得到校正数据,以对PET系统进行校正。若不灌注放射源,直接采集本底辐射数据,则数据准确性较低,校正效果较差。灌注放射源进行校正的方式由于存在放射源,会对医师造成一定程度的放射伤害,同时放射源价格较贵,成本较高。
发明内容
本申请实施例提供了一种PET设备校正方法、装置、计算机设备和存储介质,以至少解决相关技术中医师受到放射伤害同时成本较高的问题。
第一方面,本申请实施例提供了一种PET设备校正方法,包括:
获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;
对所述本底辐射数据进行解析,得到第一校正图像;
将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像;
根据所述第二校正图像对PET设备进行校正。
在其中一些实施例中,所述对所述本底辐射数据进行解析,得到第一校正图像包括:
根据所述本底辐射数据,获取各探测器模块的计数率;
将各探测器模块的计数率,存储为二进制文件;
对所述二进制文件中的数据进行归一化处理,得到第一校正图像。
在其中一些实施例中,所述将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像之前包括:
获取基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像;
根据所述第一训练校正图像以及第二训练校正图像,建立训练集;
根据所述训练集训练初始神经网络模型,得到经训练的神经网络模型。
在其中一些实施例中,所述获取基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像包括:
获取探测器接收到的来自于探测器晶体本身辐射粒子的训练本底数据,并对所述训练本底数据进行解析,得到第一训练校正图像;
获取探测器接收到的放射源模体的辐射数据,并对所述辐射数据进行解析,得到第二训练校正图像。
在其中一些实施例中,所述根据所述第二校正图像对PET设备进行校正包括:
根据所述第二校正图像,获取第二校正图像中的多个亮点簇;
根据多个所述亮点簇,确定每一个亮点簇对应的探测器模块的位置;
根据所述第二校正图像以及每一个亮点簇对应的探测器模块的位置,对PET设备进行校正。
在其中一些实施例中,所述根据所述第二校正图像对PET设备进行校正之前包括:
分别显示所述第一校正图像以及第二校正图像;
获取用户输入的调整指令;
基于所述调整指令,修正所述第二校正图像。
在其中一些实施例中,所述获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据之前包括:
在交互界面显示校正模式列表;
获取用户输入的选择指令。
第二方面,本申请实施例提供了一种PET设备校正装置,包括:
获取模块,用于获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;
解析模块,用于对所述本底辐射数据进行解析,得到第一校正图像;
神经网络模块,用于将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像;
校正模块,用于根据所述第二校正图像对PET设备进行校正。
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设备校正方法。
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设备校正方法。
相比于相关技术,本申请实施例提供的PET设备校正方法、装置、计算机设备和存储介质,通过获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;对所述本底辐射数据进行解析,得到第一校正图像;将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像;根据所述第二校正图像对PET设备进行校正。通过神经网络对本底辐射数据得到的校正图像进行增强,以克服本底辐射数据准确性较差的问题,避免了使用放射源,减少了医师受到辐射的剂量,减少了医院的使用成本。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
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为本发明一实施例的PET设备校正方法的流程示意图;
图2为本发明一实施例的PET设备校正方法的第一校正图像的示意图;
图3为本发明一实施例的PET设备校正方法的第二训练校正图像的示意图;
图4为本发明一实施例的PET设备校正方法的神经网络模型训练示意图;
图5为本发明另一实施例的PET设备校正方法的流程示意图;
图6为本发明一实施例的PET设备校正装置的结构框图;
图7为一个实施例中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。
正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET),是核医学领域比较先进的临床检查影像技术。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,从而产生方向相反的一对能量为511KeV的光子。这对光子,通过高度灵敏的照相机捕捉,并经计算机进行散射和随机信息的校正。经过对不同的正电子进行相同的分析处理,我们可以得到在生物体内聚集情况的三维图像,从而达到诊断的目的。
目前常用于PET设备的探测器主要有碘化钠(NaI)、锗酸铋(BGO)、硅酸镥(LSO)、硅酸钇镥(LYSO)等闪烁晶体探测器。本实施例中以硅酸钇镥(LYSO)闪烁晶体探测器为例进行说明。硅酸钇镥闪烁晶体(LYSO)以其高光输出、快发光衰减、有效原子序数多、密度大、物化性质稳定以及对γ射线探测效率高等特点被用作PET设备的闪烁晶体。由于LYSO中存在的Lu176,因此具有固有放射现象,Lu176在衰变过程中释放出能量分别为88kev、202kev和307kev的三种能量的γ光子以及能量随机范围为0kev~593kev的β粒子。
探测器晶体为硅酸钇镥闪烁晶体(LYSO)时,由于LYSO中存在的Lu176,在Lu176衰变时,产生β粒子以及γ光子。探测器对探测器晶体本身出射的光子的响应称为本底事件。
本实施例提供了一种PET设备校正方法。图1为本发明一实施例的PET设备校正方法的流程示意图,如图1所示,该流程包括如下步骤:
S101,获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据。
具体的,探测器晶体为硅酸钇镥闪烁晶体(LYSO)时,由于LYSO中存在的Lu176,在Lu176衰变时,产生β粒子以及具有88kev、202kev和307kev的三种能量的γ光子。探测器对探测器晶体本身出射的光子的响应称为本底事件。本底事件也即本底辐射数据。
在一种可选实施方式中,在PET设备中设置能量窗,本底辐射数据来自响应于能量为307kev的γ光子的单事件,根据能量为307kev的γ光子的单事件的数量确定本底辐射数据,具体的,通过能量窗将能量为88kev和202kev的γ光子进行滤除。
在另一种可选实施方式中,在PET设备中设置符合时间窗,根据符合时间窗确定来自本底辐射的符合事件,将符合事件作为本底符合数据。
S102,对本底辐射数据进行解析,得到第一校正图像。
示例性地,第一校正图像表示探测器晶体阵列接收到的固定能量的光子沉积形成的图像,第一校正图像中的每个亮点簇表示一个探测器晶体在图像中的映射位置。每一个探测器晶体根据其在探测器中所在的位置,都对应有一个探测器晶体位置标号,也就是第一校正图像中的每一个亮点簇都对应有一个探测器晶体的位置标号。通过对本底辐射数据进行解析,得到各探测器模块的本底辐射数据,再根据每个探测器模块的本底辐射数据,得到第一校正图像。
S103,将第一校正图像输入经训练的神经网络模型,得到第二校正图像。
可以理解的,经训练的神经网络模型用于对第一校正图像进行增强,以克服本底辐射数据准确度不足的问题。
人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
生物神经网络主要是指人脑的神经网络,它是人工神经网络的技术原型。人脑是人类思维的物质基础,思维的功能定位在大脑皮层,后者含有大约10^11个神经元,每个神经元又通过神经突触与大约103个其它神经元相连,形成一个高度复杂高度灵活的动态网络。作为一门学科,生物神经网络主要研究人脑神经网络的结构、功能及其工作机制,意在探索人脑思维和智能活动的规律。
人工神经网络是生物神经网络在某种简化意义下的技术复现,作为一门学科,它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型,设计相应的学习算法,模拟人脑的某种智能活动,然后在技术上实现出来用以解决实际问题。因此,生物神经网络主要研究智能的机理;人工神经网络主要研究智能机理的实现,两者相辅相成。
不论何种类型的人工神经网络,它们共同的特点是,大规模并行处理,分布式存储,弹性拓扑,高度冗余和非线性运算。因而具有很髙的运算速度,很强的联想能力,很强的适应性,很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础,并在广阔的领域获得了重要的应用。例如,在通信领域,人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制(纠错和检错编码)、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等等。
人工神经网络的研究已与模糊逻辑的研究相结合,并在此基础上与人工智能的研究相补充,成为新一代智能系统的主要方向。这是因为人工神经网络主要模拟人类右脑的智能行为而人工智能主要模拟人类左脑的智能机理,人工神经网络与人工智能有机结合就能更好地模拟人类的各种智能活动。新一代智能系统将能更有力地帮助人类扩展他的智力与思维的功能,成为人类认识和改造世界的聪明的工具。因此,它将继续成为当代科学研究重要的前沿。
在其中一个实施例中,神经网络模型的框架优选的为pytorch框架。根据pytorch框架构建初始神经网络模型,再获取大量的历史数据,对初始神经网络模型进行训练,最终得到训练后的神经网络模型。日常对PET设备进行校正时,只需将第一校正图像输入训练后的神经网络模型,就能够得到增强后的第二校正图像。
S104,根据第二校正图像对PET设备进行校正。
示例性地,经神经网络增强后的第二校正图像具有较强的准确性,可以从中得到亮点簇以及对应的探测器模块的位置关系,根据位置关系得到探测器的位置查找表,根据探测器的位置查找表对PET设备进行校正。
上述PET设备校正方法,通过获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;对本底辐射数据进行解析,得到第一校正图像;将第一校正图像输入经训练的神经网络模型,得到第二校正图像;根据第二校正图像对PET设备进行校正。通过神经网络对本底辐射数据得到的校正图像进行增强,以克服本底辐射数据准确性较差的问题,避免了使用放射源,减少了医师受到辐射的剂量,减少了医院的使用成本。
在其中一个实施例中,对本底辐射数据进行解析,得到第一校正图像包括:根据本底辐射数据,获取各探测器模块的计数率;将各探测器模块的计数率,存储为二进制文件;对二进制文件中的数据进行归一化处理,得到第一校正图像。可以理解的,本底辐射数据中包含PET设备各探测器模块的计数率,对各探测器模块的计数率进行统计,并且基于各探测器模块的位置标号和计数率数据生成体现对应关系的表格,将表格存储为二进制文件,将二进制文件中的数据进行伪彩色归一化处理,即可得到第一校正图像,第一校正图像中包括与探测器模块相对应的亮点簇,可用于对PET设备的校正。请参阅图2,图2为本发明一实施例的PET设备校正方法的第一校正图像的示意图。
在其中一个实施例中,将第一校正图像输入经训练的神经网络模型,得到第二校正图像之前包括:获取基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像;根据第一训练校正图像以及第二训练校正图像,建立训练集;根据训练集训练初始神经网络模型,得到经训练的神经网络模型。其中,第一训练校正图像即为基于本底辐射数据解析得到的校正图像,第二训练校正图像即为在模体中灌注放射源,基于采集到的放射源模体的辐射数据解析得到的校正图像。可以理解的,神经网络经基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像的训练集训练完成后,只需输入基于本底辐射数据得到的第一校正图像,即可对第一校正图像进行增强,并输出放射源模体数据对应的第二校正图像。请参阅图3及图4,图3为本发明一实施例的PET设备校正方法的第二训练校正图像的示意图,图4为本发明一实施例的PET设备校正方法的神经网络模型训练示意图。
在其中一个实施例中,获取基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像包括:获取探测器接收到的来自于探测器晶体本身辐射粒子的训练本底数据,并对训练本底数据进行解析,得到第一训练校正图像;获取探测器接收到的放射源模体的辐射数据,并对辐射数据进行解析,得到第二训练校正图像。可以理解的,对训练本底数据与辐射数据的解析过程与解析本底辐射数据得到第一校正图像的解析过程相同,均为基于辐射数据获取各探测器模块的计数率,将各探测器模块的计数率,存储为二进制文件,对二进制文件中的数据进行归一化处理,得到训练校正图像。
在其中一个实施例中,根据第二校正图像对PET设备进行校正包括:根据第二校正图像,获取第二校正图像中的多个亮点簇;根据多个亮点簇,确定每一个亮点簇对应的探测器模块的位置;根据第二校正图像以及每一个亮点簇对应的探测器模块的位置,对PET设备进行校正。可以理解的,第二校正图像中的每个亮点簇均对应PET设备中的探测器模块,基于亮点簇在第二校正图像上的位置,可以确定对应的探测器模块的位置,再对照PET设备中每个探测器模块的实际位置,可以从中得到亮点簇以及对应的探测器模块的位置关系,根据位置关系得到探测器的位置查找表,根据探测器的位置查找表即可对PET设备的探测器位置进行校正。
在其中一个实施例中,根据第二校正图像对PET设备进行校正之前包括:分别显示第一校正图像以及第二校正图像;获取用户输入的调整指令;基于调整指令,修正第二校正图像。可以理解的,为了保证经神经网络增强后的第二校正图像的准确性,可以将第一校正图像以及第二校正图像展示在显示设备上,由用户进行检查与确认,同时用户可以输入调整指令,对第二校正图像进行修正,作为二次确认。
在其中一个实施例中,获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据之前包括:在交互界面显示校正模式列表;获取用户输入的选择指令。可以理解的,用户可以在交互界面对校正方法进行选择,即用户可以选择采用传统的校正方式,即在模体中灌注放射源,基于放射源模体的辐射数据解析得到校正图像,对PET设备进行校正;也可以采用本发明任一实施例的PET设备校正方法对PET设备进行校正。
请参阅图5,图5为本发明另一实施例的PET设备校正方法的流程示意图。
在本实施例中,首先对本底辐射数据进行采集,对本底辐射数据进行解析,得到第一校正图像,将第一校正图像输入经训练的神经网络模型,增强后得到第二校正图像,查找第二校正图像中的亮点簇,基于亮点簇与探测器模块的位置关系对PET设备进行校正,最后保存结果。
上述PET设备校正方法,通过获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;对所述本底辐射数据进行解析,得到第一校正图像;将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像;根据所述第二校正图像对PET设备进行校正。通过神经网络对本底辐射数据得到的校正图像进行增强,以克服本底辐射数据准确性较差的问题,避免了使用放射源,减少了医师受到辐射的剂量,减少了医院的使用成本。
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设备校正装置,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。
图6是根据本申请实施例的PET设备校正装置的结构框图,如图6所示,该装置包括:
获取模块10,用于获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;
解析模块20,用于对本底辐射数据进行解析,得到第一校正图像;
解析模块20,还用于:
根据本底辐射数据,获取各探测器模块的计数率;
将各探测器模块的计数率,存储为二进制文件;
对二进制文件中的数据进行归一化处理,得到第一校正图像。
神经网络模块30,用于将第一校正图像输入经训练的神经网络模型,得到第二校正图像;
校正模块40,用于根据第二校正图像对PET设备进行校正。
校正模块40,还用于:
根据第二校正图像,获取第二校正图像中的多个亮点簇;
根据多个亮点簇,确定每一个亮点簇对应的探测器模块的位置;
根据第二校正图像以及每一个亮点簇对应的探测器模块的位置,对PET设备进行校正。
PET设备校正装置还包括:训练模块。
训练模块,用于:
获取基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像;
根据第一训练校正图像以及第二训练校正图像,建立训练集;
根据训练集训练初始神经网络模型,得到经训练的神经网络模型。
训练模块,还用于:
获取探测器接收到的来自于探测器晶体本身辐射粒子的训练本底数据,并对训练本底数据进行解析,得到第一训练校正图像;
获取探测器接收到的放射源模体的辐射数据,并对辐射数据进行解析,得到第二训练校正图像。
PET设备校正装置还包括:调整模块。
调整模块,用于:
分别显示第一校正图像以及第二校正图像;
获取用户输入的调整指令;
基于调整指令,修正第二校正图像。
PET设备校正装置还包括:选择模块。
选择模块,用于:
在交互界面显示校正模式列表;
获取用户输入的选择指令。
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PET设备校正方法可以由计算机设备来实现。图7为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器71以及存储有计算机程序指令的存储器72。
具体地,上述处理器71可以包括中央处理器(CPU),或者特定集成电路(Application Specific 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72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72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72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72可在数据处理装置的内部或外部。在特定实施例中,存储器72是非易失性(Non-Volatile)存储器。在特定实施例中,存储器72包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,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(ProgrammableRead-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72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71所执行的可能的计算机程序指令。
处理器71通过读取并执行存储器72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设备校正方法。
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。其中,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。通信端口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(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,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 AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association 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。
该计算机设备可以基于获取到的计算机程序指令,执行本申请实施例中的PET设备校正方法,从而实现结合图1描述的PET设备校正方法。
另外,结合上述实施例中的计算机程序指令方法,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计算机程序指令方法。
上述PET设备校正方法、装置、计算机设备和存储介质,通过获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;对本底辐射数据进行解析,得到第一校正图像;将第一校正图像输入经训练的神经网络模型,得到第二校正图像;根据第二校正图像对PET设备进行校正。通过神经网络对本底辐射数据得到的校正图像进行增强,以克服本底辐射数据准确性较差的问题,避免了使用放射源,减少了医师受到辐射的剂量,减少了医院的使用成本。
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设备校正方法,其特征在于,包括:
获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;
对所述本底辐射数据进行解析,得到第一校正图像;
将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像;
根据所述第二校正图像对PET设备进行校正。
2.根据权利要求1所述的PET设备校正方法,其特征在于,所述对所述本底辐射数据进行解析,得到第一校正图像包括:
根据所述本底辐射数据,获取各探测器模块的计数率;
将各探测器模块的计数率,存储为二进制文件;
对所述二进制文件中的数据进行归一化处理,得到第一校正图像。
3.根据权利要求1所述的PET设备校正方法,其特征在于,所述将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像之前包括:
获取基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像;
根据所述第一训练校正图像以及第二训练校正图像,建立训练集;
根据所述训练集训练初始神经网络模型,得到经训练的神经网络模型。
4.根据权利要求3所述的PET设备校正方法,其特征在于,所述获取基于探测器晶体本身辐射粒子的第一训练校正图像以及基于放射源模体的第二训练校正图像包括:
获取探测器接收到的来自于探测器晶体本身辐射粒子的训练本底数据,并对所述训练本底数据进行解析,得到第一训练校正图像;
获取探测器接收到的放射源模体的辐射数据,并对所述辐射数据进行解析,得到第二训练校正图像。
5.根据权利要求2所述的PET设备校正方法,其特征在于,所述根据所述第二校正图像对PET设备进行校正包括:
根据所述第二校正图像,获取第二校正图像中的多个亮点簇;
根据多个所述亮点簇,确定每一个亮点簇对应的探测器模块的位置;
根据所述第二校正图像以及每一个亮点簇对应的探测器模块的位置,对PET设备进行校正。
6.根据权利要求2所述的PET设备校正方法,其特征在于,所述根据所述第二校正图像对PET设备进行校正之前包括:
分别显示所述第一校正图像以及第二校正图像;
获取用户输入的调整指令;
基于所述调整指令,修正所述第二校正图像。
7.根据权利要求1所述的PET设备校正方法,其特征在于,所述获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据之前包括:
在交互界面显示校正模式列表;
获取用户输入的选择指令。
8.一种PET设备校正装置,其特征在于,包括:
获取模块,用于获取探测器接收到的来自于探测器晶体本身辐射粒子的本底辐射数据;
解析模块,用于对所述本底辐射数据进行解析,得到第一校正图像;
神经网络模块,用于将所述第一校正图像输入经训练的神经网络模型,得到第二校正图像;
校正模块,用于根据所述第二校正图像对PET设备进行校正。
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7中任一项所述的PET设备校正方法。
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7中任一项所述的PET设备校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847596.4A CN111887875B (zh) | 2020-08-21 | 2020-08-21 | Pet设备校正方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847596.4A CN111887875B (zh) | 2020-08-21 | 2020-08-21 | Pet设备校正方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111887875A true CN111887875A (zh) | 2020-11-06 |
CN111887875B CN111887875B (zh) | 2024-04-23 |
Family
ID=73230521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010847596.4A Active CN111887875B (zh) | 2020-08-21 | 2020-08-21 | Pet设备校正方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111887875B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545484A (zh) * | 2020-12-01 | 2021-03-26 | 上海联影医疗科技股份有限公司 | 医学成像系统校准时间确定方法、装置和计算机设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481130A (zh) * | 2009-08-26 | 2012-05-30 | 佳能株式会社 | 成像系统、其图像处理方法及其程序 |
US20130075619A1 (en) * | 2011-09-28 | 2013-03-28 | Fujifilm Corporation | Radiological image detection apparatus |
CN105452902A (zh) * | 2013-08-14 | 2016-03-30 | 皇家飞利浦有限公司 | 针对小间距闪烁晶体阵列的像素识别 |
US20160195624A1 (en) * | 2015-01-07 | 2016-07-07 | The Cleveland Clinic Foundation | Overdetermined positron emission tomography |
CN106175807A (zh) * | 2016-06-30 | 2016-12-07 | 上海联影医疗科技有限公司 | 用于成像系统的晶体位置校正方法 |
CN107411768A (zh) * | 2017-07-31 | 2017-12-01 | 沈阳东软医疗系统有限公司 | 一种设备校准方法和装置 |
CN109480890A (zh) * | 2018-12-28 | 2019-03-19 | 上海联影医疗科技有限公司 | 准直器校正方法、装置、ct系统及存储介质 |
CN109685866A (zh) * | 2018-12-25 | 2019-04-26 | 上海联影医疗科技有限公司 | 晶体位置查找表构建方法、装置、计算机设备和存储介质 |
CN109727226A (zh) * | 2018-11-07 | 2019-05-07 | 中国科学院高能物理研究所 | 一种基于机器学习的位置表自动生成方法 |
US20190355156A1 (en) * | 2018-05-16 | 2019-11-21 | Siemens Healthcare Gmbh | Method and device for determining a geometry calibration for an imaging device and also method for determining assignment data for the geometry calibration |
-
2020
- 2020-08-21 CN CN202010847596.4A patent/CN111887875B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481130A (zh) * | 2009-08-26 | 2012-05-30 | 佳能株式会社 | 成像系统、其图像处理方法及其程序 |
US20130075619A1 (en) * | 2011-09-28 | 2013-03-28 | Fujifilm Corporation | Radiological image detection apparatus |
CN105452902A (zh) * | 2013-08-14 | 2016-03-30 | 皇家飞利浦有限公司 | 针对小间距闪烁晶体阵列的像素识别 |
US20160195624A1 (en) * | 2015-01-07 | 2016-07-07 | The Cleveland Clinic Foundation | Overdetermined positron emission tomography |
CN106175807A (zh) * | 2016-06-30 | 2016-12-07 | 上海联影医疗科技有限公司 | 用于成像系统的晶体位置校正方法 |
CN107411768A (zh) * | 2017-07-31 | 2017-12-01 | 沈阳东软医疗系统有限公司 | 一种设备校准方法和装置 |
US20190355156A1 (en) * | 2018-05-16 | 2019-11-21 | Siemens Healthcare Gmbh | Method and device for determining a geometry calibration for an imaging device and also method for determining assignment data for the geometry calibration |
CN109727226A (zh) * | 2018-11-07 | 2019-05-07 | 中国科学院高能物理研究所 | 一种基于机器学习的位置表自动生成方法 |
CN109685866A (zh) * | 2018-12-25 | 2019-04-26 | 上海联影医疗科技有限公司 | 晶体位置查找表构建方法、装置、计算机设备和存储介质 |
CN109480890A (zh) * | 2018-12-28 | 2019-03-19 | 上海联影医疗科技有限公司 | 准直器校正方法、装置、ct系统及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545484A (zh) * | 2020-12-01 | 2021-03-26 | 上海联影医疗科技股份有限公司 | 医学成像系统校准时间确定方法、装置和计算机设备 |
CN112545484B (zh) * | 2020-12-01 | 2023-08-08 | 上海联影医疗科技股份有限公司 | 医学成像系统校准时间确定方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111887875B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10403010B2 (en) | Methods and systems for reconstructing images | |
EP1774220A2 (en) | Nearest-neighbor rebinning in clinical pet using on-line three-dimensional lor-to-bin mapping | |
CN111887878B (zh) | Pet扫描方法 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN105125231A (zh) | 一种pet图像环状伪影的去除方法和装置 | |
CN107223267A (zh) | 图像重建方法和系统 | |
CN110584698A (zh) | 探测器质量控制效验方法、装置、计算机设备和存储介质 | |
Paredes‐Pacheco et al. | SimPET—An open online platform for the Monte Carlo simulation of realistic brain PET data. Validation for 18F‐FDG scans | |
CN111260636B (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
CN106388845A (zh) | 一种正电子发射切伦科夫-伽玛双辐射的成像方法与装置 | |
CN110717951B (zh) | 一种基于cGANs的PET图像直接重建方法 | |
CN110047116B (zh) | Pet图像校正方法、装置、计算机设备和存储介质 | |
CN114943784A (zh) | 一种扫描设备的校正方法和系统 | |
CN111544022B (zh) | 一种pet衰减校正方法、装置和计算机设备 | |
CN111887875B (zh) | Pet设备校正方法、装置、计算机设备和存储介质 | |
US20240000401A1 (en) | Systems, apparatuses, and methods for data acquisition in pet | |
CN111728625B (zh) | Pet系统时间同步方法、装置、计算机设备和存储介质 | |
CN110400361B (zh) | 子集划分及图像重建的方法、装置和计算机设备 | |
CN110687585B (zh) | 获取晶体效率的方法、装置、计算机设备和存储介质 | |
CN110215223B (zh) | 散射校正方法、系统、可读存储介质和设备 | |
CN104598356B (zh) | 一种事件排序方法及装置 | |
Geoffroy et al. | Real time artificial neural network FPGA implementation for triple coincidences recovery in PET | |
CN108873047B (zh) | 检测放射源活度的方法、系统、计算机设备和存储介质 | |
CN113712584B (zh) | Pet扫描方法、装置、电子装置和存储介质 | |
CN115018946A (zh) | 一种图像的重建方法和系统 |
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 2258 Chengbei Road, Jiading District, Shanghai Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 2258 Chengbei Road, Jiading District, Shanghai Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |