CN112017258B - Pet图像重建方法、装置、计算机设备以及存储介质 - Google Patents
Pet图像重建方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN112017258B CN112017258B CN202010975078.0A CN202010975078A CN112017258B CN 112017258 B CN112017258 B CN 112017258B CN 202010975078 A CN202010975078 A CN 202010975078A CN 112017258 B CN112017258 B CN 112017258B
- Authority
- CN
- China
- Prior art keywords
- pet
- image
- dynamic image
- kernel matrix
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 7
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 7
- 210000000299 nuclear matrix Anatomy 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003384 imaging method Methods 0.000 description 20
- 239000003814 drug Substances 0.000 description 16
- 229940079593 drug Drugs 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000004323 axial length Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 229940121896 radiopharmaceutical Drugs 0.000 description 1
- 239000012217 radiopharmaceutical Substances 0.000 description 1
- 230000002799 radiopharmaceutical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06T11/005—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
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/412—Dynamic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine (AREA)
Abstract
本申请涉及一种PET图像重建方法、装置、计算机设备以及计算机可读存储介质,其中,该PET图像重建方法包括:获取扫描对象的第一PET数据,将第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像;使用经训练的神经网络模型对第一PET动态图像进行处理,得到第二PET动态图像;从第二PET动态图像中获取像素点的像素信息,结合像素信息对第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像。通过本申请,解决了相关技术中因数据采集量过低导致的PET动态图像重建生成的图像质量低的问题,提升了PET动态图像的图像质量。
Description
技术领域
本申请涉及医学成像领域,特别是涉及一种PET图像重建方法、装置、计算机设备以及存储介质。
背景技术
PET(Positron Emission Tomography,正电子发射计算机断层显像)动态成像是一种用于观察药物从注射进入人体(动物)直至代谢均衡的过程的成像技术,能够协助确定药物的注射剂量和时间间隔,对于药代动力学有着重要的意义,PET动态成像的结果能够用于进行药代动力学参数估计、运动建模及校正、冠状动脉血流(Coronary Blood Flow,简称为CBF)分析以及心肌血流(Myocardial Blood Flow,简称为MBF)分析。
从药物的衰减情况来看,用于PET成像的药物可分为长半衰期药物和短半衰期药物。其中,长半衰期药物因为半衰期长(几个小时、几天甚至几十天),注入人体后药物剂量降低速度慢,会在人体内存在较长时间,在使用这类药物时为了保证病人安全只能降低剂量,并且保证足够的扫描时间。短半衰期药物因为半衰期短(几十分钟、几分钟),注入人体后药物剂量降低速度快,为了保证一定的成像质量,通常在扫描初始阶段注入较高的剂量,这对于药物的制备、保存及病人的安全造成不利影响,如果降低注入药物的剂量,则在两三个半衰期后,按照传统的图像重建方法可能因为采集的数据量太低而无法得到符合期望的图像质量。另一种情形下,由于PET系统的轴向长度有限,也会导致采集的数据量太低影响动态图像的质量。
目前针对相关技术中因数据采集量过低导致的PET动态图像重建生成的图像质量低的问题,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图像重建方法、PET图像重建装置、计算机设备以及计算机可读存储介质,以至少解决相关技术中因数据采集量过低导致的PET动态图像重建生成的图像质量低的问题。
第一方面,本申请实施例提供了一种PET图像重建方法,包括:
获取扫描对象的第一PET数据,将所述第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像;
使用经训练的神经网络模型对所述第一PET动态图像进行处理,得到第二PET动态图像;
从所述第二PET动态图像中获取像素点的像素信息,结合所述像素信息对所述第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像。
在其中一些实施例中,在使用经训练的神经网络模型对所述第一PET动态图像进行处理,得到第二PET动态图像之前,所述方法还包括:
获取扫描对象的第四PET数据,根据所述第四PET数据动态重建第四PET图像;
获取扫描对象的第五PET数据,根据所述第五PET数据动态重建第五PET图像;
将所述第四PET图像作为输入项以及将所述第五PET图像作为输出项对神经网络模型进行训练,得到经训练的神经网络模型。
在其中一些实施例中,所述第二时间间隔的长度小于所述第一时间间隔的长度。
在其中一些实施例中,结合所述像素信息对所述第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像包括:
根据所述第二PET动态图像的像素信息确定时间核矩阵和空间核矩阵,根据所述时间核矩阵和所述空间核矩阵确定时空核矩阵;
根据所述时空核矩阵对所述第一PET数据按所述第二时间间隔进行动态重建,得到所述第三PET动态图像。
在其中一些实施例中,所述第四PET数据的符合事件计数小于所述第五PET数据的符合事件计数。
在其中一些实施例中,所述第四PET数据的符合事件所对应的响应线与扫描系统轴线间所形成的倾角大于设定倾角阈值。
在其中一些实施例中,所述第二时间间隔的长度范围为0.01S至1S。
第二方面,本申请实施例提供了一种PET图像重建装置,包括:
获取模块,用于获取扫描对象的第一PET数据,将所述第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像;
信噪比处理模块,用于使用经训练的神经网络模型对所述第一PET动态图像进行处理,得到第二PET动态图像;
动态重建模块,用于从所述第二PET动态图像中获取像素点的像素信息,结合所述像素信息对所述第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像。
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图像重建方法。
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图像重建方法。
相比于相关技术,本申请实施例提供的PET图像重建方法、PET图像重建装置、计算机设备以及计算机可读存储介质,通过获取扫描对象的第一PET数据,将第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像;使用经训练的神经网络模型对第一PET动态图像进行处理,得到第二PET动态图像;从第二PET动态图像中获取像素点的像素信息,结合像素信息对第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像,解决了相关技术中因数据采集量过低导致的PET动态图像重建生成的图像质量低的问题,提升了PET动态图像的图像质量。
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是根据本申请实施例的PET图像重建方法的流程图;
图2是根据本申请实施例的训练神经网络模型的原理示意图一;
图3是根据本申请实施例的训练神经网络模型的原理示意图二;
图4是根据本申请实施例的训练神经网络模型的原理示意图三;
图5是根据本申请实施例的PET图像重建装置的结构框图;
图6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做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做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。
本实施例提供了一种PET图像重建方法。图1是根据本申请实施例的PET图像重建方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取扫描对象的第一PET数据,将第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像。
第一PET动态图像包括多帧PET图像,第一时间间隔代表第一PET动态图像中每帧图像之间的时间间隔。在其中的一些实施例中,第一时间间隔的长度可以设置成10分钟、20分钟或30分钟。在其中的一个实施例中,在对扫描对象进行长达30分钟的PET扫描,第一PET数据为在30分钟内PET系统获得的PET数据,将第一PET数据按10分钟作为第一时间间隔进行动态重建,得到第一PET动态图像,第一PET动态图像包括3帧PET图像。
步骤S102,使用经训练的神经网络模型对第一PET动态图像进行处理,得到第二PET动态图像。
第二PET动态图像包括多帧PET图像,通过该步骤,能够优化第一PET动态图像的图像质量,得到第二PET动态图像。
步骤S103,从第二PET动态图像中获取像素点的像素信息,结合像素信息对第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像。
像素点的像素信息为各像素在多帧PET图像中的值构成的向量,第二时间间隔代表第三PET动态图像中每帧图像之间的时间间隔,第一时间间隔和第二时间间隔不相同,在其中一些实施例中,第二时间间隔的长度小于第一时间间隔的长度。通过从第二PET动态图像中获取像素点的像素信息,结合像素信息对第一PET数据按第二时间间隔进行动态重建,能够得到更高图像信噪比的第三PET动态图像。
本实施例使用经训练的神经网络模型对第一PET动态图像进行提升图像信噪比处理,得到第二PET动态图像,即提升了参与动态重建过程的图像的图像信噪比。通过上述步骤,解决了相关技术中因数据采集量过低导致的PET动态图像重建生成的图像质量低的问题,提升了PET动态图像的图像质量。
在一些实施例中,第一时间间隔可以为传统的PET系统在进行PET动态成像时每帧图像之间的时间间隔,也可以为具有更高系统灵敏度的PET系统在进行PET动态成像时每帧图像之间的时间间隔。传统的PET系统受限于系统灵敏度,在进行PET动态成像时每帧图像之间的时间间隔通常大于1分钟,图像的时间分辨率低。
在一些实施例中,第二时间间隔的长度范围为0.01S至1S,可以优选0.1秒、0.2秒、0.5秒或者1秒作为第二时间间隔的长度。
在步骤S102中,神经网络模型为具有图像映射能力的网络,包括但不局限于U-Net及在其基础上衍生的其他网络,比如3D U-Net(三维图像分割网络)、TernausNet(带有VGG11编码器的图像分割网络)、Res-UNet(残差连接图像分割网络)、Dense-UNet(密集连接图像分割网络)、Multi Res UNet(残差连接扩展图像分割网络)、R2U-Net(RecurrentResidual CNN-based U-Net,基于CNN的递归残差图像分割网络)。上述神经网络都可用于对第一PET动态图像进行提升图像信噪比处理。
以下将介绍神经网络模型的训练方法,包括以下步骤:
获取扫描对象的第四PET数据,根据第四PET数据动态重建第四PET图像;获取扫描对象的第五PET数据,根据第五PET数据动态重建第五PET图像;将第四PET图像作为输入项以及将第五PET图像作为输出项对神经网络模型进行训练,得到经训练的神经网络模型。
在本实施例中,训练数据可以根据训练模型的特性而选择,可以选择用于重建动态图像的数据,也可以选择用于重建非动态图像的数据,在此不作限制。
在本实施例中,采用包括多个探测单元的PET系统获取第四PET数据和第五PET数据。每个探测单元在扫描过程中获取符合数据。在一些实施例中,第四PET数据为多个探测单元中的部分探测单元获得的PET数据,第五PET数据为多个探测单元中的所有探测单元获得的PET数据,第四PET数据的符合事件计数小于第五PET数据的符合事件计数。
图2是根据本申请实施例的训练神经网络模型的原理示意图一,如图2所示,可选择PET系统中部分探测单元的符合数据作为第四PET数据,对第四PET数据进行重建得到的第四PET图像,第四PET图像覆盖完整的感兴趣区域,将第四PET图像作为神经网络模型的输入图像;选择PET系统中所有探测单元的符合数据作为第五PET数据,对第五PET数据进行重建,并从中获取和输入图像覆盖范围相同的部分,得到第五PET图像,将第五PET图像作为神经网络模型的输出图像,利用该数据集对神经网络模型进行训练得到适用于感兴趣区域成像的神经网络模型。
以下实施例将介绍两种其他获取用于训练神经网络模型的数据集的方式。
在一些实施例中,第四PET数据的符合事件所对应的响应线与扫描系统轴线间所形成的倾角大于设定倾角阈值。图3是根据本申请实施例的训练神经网络模型的原理示意图二,如图3所示,可选择PET系统中符合事件所对应的响应线与扫描系统轴线间所形成的倾角大于设定倾角阈值的符合数据作为第四PET数据,对第四PET数据进行重建得到的第四PET图像,第四PET图像覆盖完整的感兴趣区域,将第四PET图像作为神经网络模型的输入图像;选择PET系统中所有单元的符合数据作为第五PET数据,对第五PET数据进行重建,并从中截取和输入图像覆盖范围相同的部分,得到的第五PET图像,将第五PET图像作为神经网络模型的输出图像,利用该数据集对神经网络模型进行训练得到适用于感兴趣区域成像的神经网络模型。
通过本实施例,能够解决因PET系统的轴向长度有限,导致采集的数据量太低影响动态图像的质量的问题,可实现短轴PET系统到长轴PET系统的图像重构,重构图像可以产生高质量的核矩阵并用于改善短轴系统动态成像的图像质量。考虑到短轴PET系统的轴向视野未知,且在扫描时单床覆盖范围与训练数据中短轴系统的覆盖范围不一定完全匹配,为了解决这些问题,以短轴系统的接收角(符合事件所对应的响应线与扫描系统轴线间所形成的倾角)为数据筛选依据。假定目标短轴系统轴向视野为L米,横向视野半径为R米,则接收角为:
将PET系统的符合数据中接收角大于α的符合数据进行重建得到神经网络的训练输入图像,将完整的PET系统的符合数据进行重建得到神经网络的训练输出图像,以该训练数据集对神经网络模型进行训练得到适用于目标短轴系统的神经网络模型。
在一些实施例中,第四PET数据对应的药物剂量低于第五PET数据对应的药物剂量。图4是根据本申请实施例的训练神经网络模型的原理示意图三,如图4所示,可选择PET系统中第一剂量的符合数据作为第四PET数据,对第四PET数据进行重建得到的第四PET图像,第四PET图像覆盖完整的感兴趣区域,将第四PET图像作为神经网络模型的输入图像;选择PET系统中第二剂量的符合数据作为第五PET数据,对第五PET数据进行重建,并从中截取和输入图像覆盖范围相同的部分,得到的第五PET图像,将第五PET图像作为神经网络模型的输出图像,利用该数据集对神经网络模型进行训练得到适用于感兴趣区域成像的神经网络模型。其中,第一剂量小于第二剂量。
通过本实施例,可实现长轴系统低剂量图像到长轴系统正常剂量或者高剂量图像的重构,重构图像可以产生高质量的核矩阵并用于改善长轴系统低剂量下动态成像的图像质量,从而能够以更高的时间分辨率对长半衰期药物进行动态成像,或者能够以更长的成像时间对短半衰期药物进行动态成像,扩大了动态成像的药物适用范围。
在一些优选实施例中,可采用联影的uEXPLORER扫描系统采集的PET数据训练神经网络模型,uEXPLORER扫描系统采用多单元长轴探测系统,其探测器由8个探测单元构成,每一个探测单元的轴向视野约为24cm。目前医院临床使用的PET扫描系统多为一个测探单元的短轴探测系统,轴向视野范围为20~30cm,因此uEXPLORER扫描系统的每一个单元都可以视为一个单独的PET系统。由于uEXPLORER扫描系统的不同探测单元间存在跨单元的符合数据,这使得uEXPLORER扫描系统采集的符合数据量比其他传统PET扫描系统的符合数据量大,具有更高的系统灵敏度。在本实施例中,可以采用uEXPLORER扫描系统采集的部分符合数据作为神经网络模型的输入数据,采用uEXPLORER扫描系统采集的全部符合数据作为神经网络模型的输出数据,对神经网络模型进行训练,使训练得到的神经网络模型能够适用于高时间分辨率成像场合,比如心脏成像场合。
上述两个实施例,在不延长扫描时间甚至减少扫描时间下,都能够在图像重建过程中得到高质量的PET动态图像。
在步骤S103中,结合像素信息对第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像包括:根据第二PET动态图像的像素信息确定时间核矩阵和空间核矩阵,根据时间核矩阵和空间核矩阵确定时空核矩阵;根据时空核矩阵对第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像。
本实施例采用核重建算法,能够充分利用PET动态成像过程中完整的时间信息和空间信息,在进行降噪处理的同时保持了图像的结构信息及定量准确性。
以下将以心脏成像为例,对本申请提供的PET图像重建方法进行介绍,包括如下步骤:
步骤(1),为扫描对象注射放射性药物,并开始PET动态数据采集,根据药物特性,采集时间可以是从1分钟到若干小时不等,在本实施例中,采集的时间长度为1小时。
步骤(2),扫描结束后,采用迭代重建算法OSEM(Ordered Subsets ExpectationMaximization,有序子集最大期望值法)重建获得若干帧第一PET动态图像,记为xm,m为非零自然数,第一PET动态图像具有低时间分辨率的特性。如以[0,10min),[10,30min)和[30,60min)扫描间隔分为三帧进行图像重建,重建参数设置为FOV600(横断面成像范围直径),192×192(横断面的图像矩阵),TOF&PSF(飞行时间和点扩展函数),迭代次数为2次。迭代重建公式为:
其中,ym表示数据以较低的时间分辨率(比如10分钟)进行动态重建,rm代表相应的随机和散射校正系数,n表示迭代次数,P表示PET系统矩阵,T表示矩阵的转置,y表示系统采集的数据,I表示单位向量,N表示单位向量的长度。
步骤(3),将第一PET动态图像xm输入神经网络模型fNN(前馈神经网络)进行图像重构,得到第二PET动态图像gm。图像重构公式为:
gm=fNN(xm)
步骤(4),根据第二PET动态图像的像素信息计算时空核矩阵K。时空核矩阵K可以写成空间核矩阵Ks与时间核矩阵Kt的克罗内克积的形式。时空核矩阵K的克罗内克积计算公式为:
的表达式如下:
给出了第二PET动态图像中像素j与像素j′的相关系数,其中,像素j′为和像素j相关的像素集合,可通过聚类算法KNN计算得到,δ代表高斯函数的方差,/>代表像素j在m帧图像中的值构成的向量,
的表达式如下:
给出了第w帧与第w′帧目标图像间的相关系数,其中,w是以更高时间分辨率(比如小于1秒)进行动态重建的分帧,分帧w是根据扫描对象的运动特性(如呼吸、心跳频率)或者药代动力学的特性(如经血液的药物F18-FDG很快能达到全身分布)而设定的,第二PET动态图像的时间分辨率较低(几分钟至几十分钟),第三PET动态图像的时间分辨率较高(若干秒甚至低于1秒),d代表设定的分帧距离,在这个距离以内的分帧都按照此公式计算相关系数。
表示第w帧目标图像相关的特征向量,其可以简化为:
这种情况下是一个移不变的高斯函数,即对于所有分帧都用相同的高斯函数来计算相互间的相关系数,因此/>可以表示为:
这种情况下可用不同分帧的弦图yw代替重建图像计算相关系数。
步骤(5),将时空核矩阵K代入以下重建公式进行图像重建:
其中,rw代表相应的随机和散射校正系数,代表迭代中间变量。
步骤(6),迭代中间变量与时空核矩阵的乘积即为第三PET动态图像
重建获得若干帧第一PET动态图像的方法不局限于OSEM,在其中一些实施例中,还可以采用正则化重建法,与OSEM相比,正则化重建法在迭代过程中引入了噪声控制项,可以进一步降低图像噪声并提高图像信噪比。
本实施例还提供了一种PET图像重建装置,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5是根据本申请实施例的PET图像重建装置的结构框图,如图5所示,该装置包括:获取模块51、信噪比处理模块52、动态重建模块53。
获取模块51,用于获取扫描对象的第一PET数据,将第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像。
信噪比处理模块52,耦合至获取模块51,用于使用经训练的神经网络模型对第一PET动态图像进行处理,得到第二PET动态图像。
动态重建模块53,耦合至信噪比处理模块52,用于从第二PET动态图像中获取像素点的像素信息,结合像素信息对第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像。
在其中一些实施例中,装置还包括:第一获取单元,用于获取扫描对象的第四PET数据,根据第四PET数据动态重建第四PET图像;第二获取单元,用于获取扫描对象的第五PET数据,根据第五PET数据动态重建第五PET图像;训练单元,用于将第四PET图像作为输入项以及将第五PET图像作为输出项对神经网络模型进行训练,得到经训练的神经网络模型。
在其中一些实施例中,动态重建模块53包括:确定单元,用于根据第二PET动态图像的像素信息确定时间核矩阵和空间核矩阵,根据时间核矩阵和空间核矩阵确定时空核矩阵;动态重建单元,根据时空核矩阵对第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像。
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。
本申请所涉及的方法、装置、设备或者计算机可读存储介质可用于非侵入成像,如疾病的诊断和研究,其所涉及的系统可以包括PET系统、PET-CT系统、PET-MR系统等。本申请所涉及的方法、装置、设备或者计算机可读存储介质既可以与上述的系统集成在一起,也可以是相对独立的。在一些实施例中,还可以不直接从PET系统获取PET图像,而是从PET图像数据库中获取PET图像,以实现本申请所涉及的方法、装置、设备或者计算机可读存储介质。
另外,结合图1描述的本申请实施例的PET图像重建方法。可以由计算机设备来实现。图6是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61以及存储有计算机程序指令的存储器62。
具体地,上述处理器61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62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62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62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62可在数据处理装置的内部或外部。在特定实施例中,存储器62是非易失性(Non-Volatile)存储器。在特定实施例中,存储器62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(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62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61所执行的可能的计算机程序指令。
处理器61通过读取并执行存储器62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图像重建方法。
在其中一些实施例中,计算机设备还可包括通信接口63和总线60。其中,如图6所示,处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信接口63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63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60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60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60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60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PET数据,执行本申请实施例中的PET图像重建方法,从而实现结合图1描述的PET图像重建方法。
另外,结合上述实施例中的PET图像重建方法,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图像重建方法。
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本申请专利范围的限制。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 (9)
1.一种PET图像重建方法,其特征在于,包括:
获取扫描对象的第一PET数据,将所述第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像;
使用经训练的神经网络模型对所述第一PET动态图像进行处理,得到第二PET动态图像;其中,所述第二PET动态图像的信噪比大于所述第一PET动态图像的信噪比;
从所述第二PET动态图像中获取像素点的像素信息,结合所述像素信息对所述第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像;其中,结合所述像素信息对所述第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像包括:
根据所述第二PET动态图像的像素点信息确定时间核矩阵和空间核矩阵,根据所述时间核矩阵和所述空间核矩阵确定时空核矩阵;
根据所述时空核矩阵对所述第一PET数据按所述第二时间间隔进行动态重建,得到所述第三PET动态图像;其中,
所述时间核矩阵给出了以所述第二时间间隔进行动态重建的不同分帧之间的相关系数;
所述空间核矩阵给出了所述第二PET动态图像中不同像素点之间的相关系数;
所述时空核矩阵为所述时间核矩阵与所述空间核矩阵的克罗内克积。
2.根据权利要求1所述的PET图像重建方法,其特征在于,在使用经训练的神经网络模型对所述第一PET动态图像进行处理,得到第二PET动态图像之前,所述方法还包括:
获取扫描对象的第四PET数据,根据所述第四PET数据动态重建第四PET图像;
获取扫描对象的第五PET数据,根据所述第五PET数据动态重建第五PET图像;
将所述第四PET图像作为输入项以及将所述第五PET图像作为输出项对神经网络模型进行训练,得到经训练的神经网络模型。
3.根据权利要求1所述的PET图像重建方法,其特征在于,所述第二时间间隔的长度小于所述第一时间间隔的长度。
4.根据权利要求2所述的PET图像重建方法,其特征在于,所述第四PET数据的符合事件计数小于所述第五PET数据的符合事件计数。
5.根据权利要求4所述的PET图像重建方法,其特征在于,所述第四PET数据的符合事件所对应的响应线与扫描系统轴线间所形成的倾角大于设定倾角阈值。
6.根据权利要求1所述的PET图像重建方法,其特征在于,所述第二时间间隔的长度范围为0.01S至1S。
7.一种PET图像重建装置,其特征在于,包括:
获取模块,用于获取扫描对象的第一PET数据,将所述第一PET数据按第一时间间隔进行动态重建,得到第一PET动态图像;
信噪比处理模块,用于使用经训练的神经网络模型对所述第一PET动态图像进行处理,得到第二PET动态图像;其中,所述第二PET动态图像的信噪比大于所述第一PET动态图像的信噪比;
动态重建模块,用于从所述第二PET动态图像中获取像素点的像素信息,结合所述像素信息对所述第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像;其中,结合所述像素信息对所述第一PET数据按第二时间间隔进行动态重建,得到第三PET动态图像包括:
根据所述第二PET动态图像的像素点信息确定时间核矩阵和空间核矩阵,根据所述时间核矩阵和所述空间核矩阵确定时空核矩阵;
根据所述时空核矩阵对所述第一PET数据按所述第二时间间隔进行动态重建,得到所述第三PET动态图像;其中,
所述时间核矩阵给出了以所述第二时间间隔进行动态重建的不同分帧之间的相关系数;
所述空间核矩阵给出了所述第二PET动态图像中不同像素点之间的相关系数;
所述时空核矩阵为所述时间核矩阵与所述空间核矩阵的克罗内克积。
8.一种计算机设备,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6中任一项所述的PET图像重建方法。
9.一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,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的PET图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975078.0A CN112017258B (zh) | 2020-09-16 | 2020-09-16 | Pet图像重建方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975078.0A CN112017258B (zh) | 2020-09-16 | 2020-09-16 | Pet图像重建方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017258A CN112017258A (zh) | 2020-12-01 |
CN112017258B true CN112017258B (zh) | 2024-04-30 |
Family
ID=73522800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010975078.0A Active CN112017258B (zh) | 2020-09-16 | 2020-09-16 | Pet图像重建方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017258B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669402B (zh) * | 2020-12-22 | 2023-09-15 | 颜建华 | 一种基于深度学习的四维pet显像的快速动态散射矫正方法 |
CN113081018B (zh) * | 2021-03-31 | 2023-08-22 | 上海联影医疗科技股份有限公司 | Pet医学成像系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184559A (zh) * | 2011-05-17 | 2011-09-14 | 刘华锋 | 一种基于粒子滤波的静态pet图像重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
CN104408756A (zh) * | 2014-10-30 | 2015-03-11 | 东软集团股份有限公司 | 一种pet图像重建方法及装置 |
AU2017100972A4 (en) * | 2017-06-28 | 2017-08-17 | Macau University Of Science And Technology | Systems and Methods for Reducing Computer Resources Consumption to Reconstruct Shape of Multi-Object Image |
CN107067387A (zh) * | 2017-01-21 | 2017-08-18 | 山东理工大学 | 基于3d复数剪切波变换域广义统计相关模型的医学图像融合方法 |
WO2018129891A1 (zh) * | 2017-01-16 | 2018-07-19 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
CN109544657A (zh) * | 2018-12-05 | 2019-03-29 | 上海联影医疗科技有限公司 | 医学图像迭代重建方法、装置、计算机设备和存储介质 |
WO2019081355A1 (en) * | 2017-10-23 | 2019-05-02 | Koninklijke Philips N.V. | RECONSTRUCTION OF IMAGES FOR ENHANCED POSITRON EMISSION TOMOGRAPHY (PET) SCANNING WITH OVERLAPPING AND EXPOSURE TIME VARIATION FOR INDIVIDUAL BED POSITIONS |
CN110415310A (zh) * | 2019-07-09 | 2019-11-05 | 上海联影医疗科技有限公司 | 医学扫描成像方法、装置、存储介质及计算机设备 |
CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
CN111311704A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
CN111354052A (zh) * | 2020-02-21 | 2020-06-30 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建方法和系统 |
CN111345837A (zh) * | 2019-09-06 | 2020-06-30 | 上海联影医疗科技有限公司 | 医学图像重建方法、设备和计算机可读存储介质 |
CN111445550A (zh) * | 2020-03-26 | 2020-07-24 | 上海联影医疗科技有限公司 | Pet图像的迭代重建方法、装置和计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978717A (zh) * | 2015-06-11 | 2015-10-14 | 沈阳东软医疗系统有限公司 | Ct重建图像的处理方法、装置及设备 |
US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
US10810767B2 (en) * | 2018-06-12 | 2020-10-20 | Siemens Healthcare Gmbh | Machine-learned network for Fourier transform in reconstruction for medical imaging |
-
2020
- 2020-09-16 CN CN202010975078.0A patent/CN112017258B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184559A (zh) * | 2011-05-17 | 2011-09-14 | 刘华锋 | 一种基于粒子滤波的静态pet图像重建方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
CN104408756A (zh) * | 2014-10-30 | 2015-03-11 | 东软集团股份有限公司 | 一种pet图像重建方法及装置 |
WO2018129891A1 (zh) * | 2017-01-16 | 2018-07-19 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
CN107067387A (zh) * | 2017-01-21 | 2017-08-18 | 山东理工大学 | 基于3d复数剪切波变换域广义统计相关模型的医学图像融合方法 |
AU2017100972A4 (en) * | 2017-06-28 | 2017-08-17 | Macau University Of Science And Technology | Systems and Methods for Reducing Computer Resources Consumption to Reconstruct Shape of Multi-Object Image |
WO2019081355A1 (en) * | 2017-10-23 | 2019-05-02 | Koninklijke Philips N.V. | RECONSTRUCTION OF IMAGES FOR ENHANCED POSITRON EMISSION TOMOGRAPHY (PET) SCANNING WITH OVERLAPPING AND EXPOSURE TIME VARIATION FOR INDIVIDUAL BED POSITIONS |
CN109544657A (zh) * | 2018-12-05 | 2019-03-29 | 上海联影医疗科技有限公司 | 医学图像迭代重建方法、装置、计算机设备和存储介质 |
CN110415310A (zh) * | 2019-07-09 | 2019-11-05 | 上海联影医疗科技有限公司 | 医学扫描成像方法、装置、存储介质及计算机设备 |
CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
CN111345837A (zh) * | 2019-09-06 | 2020-06-30 | 上海联影医疗科技有限公司 | 医学图像重建方法、设备和计算机可读存储介质 |
CN111311704A (zh) * | 2020-01-21 | 2020-06-19 | 上海联影智能医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
CN111354052A (zh) * | 2020-02-21 | 2020-06-30 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建方法和系统 |
CN111445550A (zh) * | 2020-03-26 | 2020-07-24 | 上海联影医疗科技有限公司 | Pet图像的迭代重建方法、装置和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
针对SPECT成像完全三维图像重建的研究;张雪竹等;《科学通报》;第55卷(第18期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112017258A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110809782B (zh) | 衰减校正系统和方法 | |
CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
US10964072B2 (en) | Methods, systems, and media for noise reduction in computed tomography images | |
EP3566209A1 (en) | Standardized uptake value (suv) guided reconstruction control for improved outcome robustness in positron emission tomography (pet) imaging | |
CN112419303B (zh) | 神经网络训练方法、系统、可读存储介质和设备 | |
US20230059132A1 (en) | System and method for deep learning for inverse problems without training data | |
CN112017258B (zh) | Pet图像重建方法、装置、计算机设备以及存储介质 | |
CN110415310B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
US20220130079A1 (en) | Systems and methods for simultaneous attenuation correction, scatter correction, and de-noising of low-dose pet images with a neural network | |
CN111340903A (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 | |
US11995745B2 (en) | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction | |
CN111445550B (zh) | Pet图像的迭代重建方法、装置和计算机可读存储介质 | |
US20220292641A1 (en) | Dynamic imaging and motion artifact reduction through deep learning | |
WO2023216057A1 (en) | System and method for medical imaging | |
Marin et al. | Numerical surrogates for human observers in myocardial motion evaluation from SPECT images | |
CN112912934B (zh) | 用于使用解剖数据的活动图像重建的方法和系统 | |
CN105631908B (zh) | 一种pet图像重建方法和装置 | |
CN112927318B (zh) | 低剂量pet图像的降噪重建方法及计算机可读存储介质 | |
EP3138495B1 (en) | Individualized imaging method | |
CN112767511B (zh) | Pet图像的获取方法及装置 | |
US20220296194A1 (en) | Pet imaging using multiple organ specific short ct scans | |
Thejaswi et al. | A deep-learning method for detruncation of attenuation maps | |
CN116671946A (zh) | 一种基于spect动态采集数据重建动态图像的方法 | |
CN116128991A (zh) | 动态pet成像方法、装置、电子设备及存储介质 | |
CN111768463A (zh) | Pet图像衰减校正方法、装置和计算机设备 |
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 |
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. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |