CN112700380A - 一种基于mr梯度信息和深度学习的pet图像容积校正方法 - Google Patents
一种基于mr梯度信息和深度学习的pet图像容积校正方法 Download PDFInfo
- Publication number
- CN112700380A CN112700380A CN202011522288.0A CN202011522288A CN112700380A CN 112700380 A CN112700380 A CN 112700380A CN 202011522288 A CN202011522288 A CN 202011522288A CN 112700380 A CN112700380 A CN 112700380A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- pet
- convolutional
- pet image
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012937 correction Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims 1
- 238000012879 PET imaging Methods 0.000 abstract description 3
- 238000012636 positron electron tomography Methods 0.000 abstract 11
- 238000002600 positron emission tomography Methods 0.000 description 44
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000000700 radioactive tracer Substances 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于图像容积校正技术领域，具体涉及一种基于MR梯度信息和深度学习的PET图像容积校正方法，包括下列步骤：分别通过低分辨率PET设备和MRI设备同步采集同一目标物的PET图像PL和MR图像M，并同时获得PET和MRI成像设备的系统分辨率；将低分辨率PET图像PL和MR图像M进行刚性配准；将低分辨率PET图像PL和MR图像M进行梯度信息提取，分别获得梯度图像PLG、梯度图像MG；输出高分辨率PET图像PH。本发明利用MR梯度图像进行先验引导，并利用低分辨率PET梯度图像进行正确性约束，将PET图像的部分容积校正转化为学习更高分辨率的PET图像，学习完成之后，整体方法更为简便，提高PET成像分辨率的同时不引入新的噪声。本发明用于PET图像的容积校正。
Description
技术领域
本发明属于图像容积校正技术领域，具体涉及一种基于MR梯度信息和深度学习的PET 图像容积校正方法。
背景技术
正电子发射型计算机断层显像(Positron Emission Tomography,PET)是核医学成像中的一项重要技术，标记有能产生放射性核素的示踪药物被注射到人体后，“靶向”定位于特定组织区域，放射性核素在衰变时产生的正电子与组织中的电子相遇发生正负电子对湮灭，从而产生同一直线上两个能量为511keV飞行方向相反的两个γ光子，被体外的PET扫描仪接收形成影像，对于肿瘤等疾病尤其具有早期诊断的价值。
磁共振成像(Magnetic Resonance Imaging,MRI)，利用原子核在磁场中产生的共振效应，从人体中获得相应的电磁信号，并重建形成影像。磁共振成像同样是一种发射断层成像，不同于PET，磁共振成像不需要注射放射性示踪剂，是一种非侵入性的成像技术。MRI成像结构清晰，已被应用于全身各系统的成像，尤其是颅脑，骨骼等，是疾病诊断和治疗中最重要的工具。
然而，部分容积效应是影响各种显像设备成像质量的关键因素之一，而在正电子发射断层成像PET中尤其明显。其原因在于PET成像有限的空间分辨率，点源经过成像系统后变成一个扩展的分布，该分布被称为点扩散函数，受系统硬件限制，该分布往往出现半高宽变大的情况，严重影响空间分辨率。
部分容积效应校正的目标是为了更好地校正图像的边缘信息以及更准确地重建PET图像的真实活度。恢复系数法通过将图像活度除以恢复系数获得真实活度，但恢复系数受真实病灶大小的影响，临床上很难界定，所以难以广泛推广。在图像域中迭代去卷积可以校正PET 图像中的每个体素，但是去卷积会导致增加噪声。因此，中值滤波和小波滤波被引入迭代去卷积中进行噪声抑制。然而，去卷积方法都会带来吉伯斯伪影，在图像中表现为在边缘区域产生环形伪影，这是由于高频信息丢失所引起的。因此在图像恢复过程中需要引入正则化抑制噪声增加和消除伪影，基于解剖图像的结构先验被引起了广泛的关注。该方法首先会将与 PET图像配准好的解剖图像分割不同的组织区域，将这些解剖区域信息或者边缘信息作为先验被引入重建中，这类方法对于分割的要求较高，且需要假设区域内活度一致，极大地限制了此类方法的应用。
发明内容
针对上述的技术问题，本发明提供了一种分辨率高、使用方便、效率高的基于MR梯度信息和深度学习的PET图像容积校正方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于MR梯度信息和深度学习的PET图像容积校正方法，包括下列步骤：
S1、分别通过低分辨率PET设备和MRI设备同步采集同一目标物的PET图像PL和MR图像M，并同时获得PET和MRI成像设备的系统分辨率；
S2、将S1中获得的低分辨率PET图像PL和MR图像M进行刚性配准；
S3、将S2中获得的低分辨率PET图像PL和MR图像M进行梯度信息提取，分别获得梯度图像PLG、梯度图像MG；
S4、判断梯度图像PLG、梯度图像MG是否拥有相同的结构相似性，如果有，将低分辨率PET 图像PL和MR图像M的梯度图像MG输入卷积神经网络，输出高分辨率PET图像PH；如果没有，将低分辨率PET图像PL和低分辨率PET图像PL的梯度图像PLG输入卷积神经网络，输出高分辨率PET图像PH。
所述S3中梯度信息提取采用Sobel边缘检测器，公式如下；
所述A表示原始图像，所述Gx和Gy表示经过水平和垂直边缘检测的图像灰度值，所述G 表示该点的梯度大小。
所述S4中的卷积神经网络包括第一块结构和第二块结构，所述第一块结构由6个残差块组成，所述第一块结构在第一个残差块输出与第三个残差块、第五个残差块输出建立跳线连接，通过跳线连接来自传输路径前后相同大小的特征图，将特征图重新用作后层网络的输入，这将很好地保留图像的细节；在每个跳线连接之后连接一个1×1卷积，所述1×1卷积后有激活函数ReLU；前五个残差块的特征通道均为32，最后一个残差块的输出通道为C，所述C表示高分辨率PET 图像与低分辨率PET图像大小的比例因子的平方；
所述第二块结构包括3个卷积层，3个卷积层后有激活函数ReLU，所述第二块结构在第二块结构的第一个卷积层输出与第三个卷积层输出建立跳线连接，3个卷积层的卷积核大小均为 3×3，3个卷积层的特征通道均为32。
所述残差块包括两个卷积层，一个卷积层后面有激活函数ReLU，两个卷积层的卷积核大小为3×3，两个卷积层输出表示为：
zl＝yl-1+R(yl-1,g；wl-1)
所述g表示梯度图像PLG或梯度图像MG的特征图，所述R表示残差结构中的卷积层操作，所述wl-1是残差结构的参数，所述yl-1表示输入，所述zl表示输出。
所述S4中的梯度图像PLG或梯度图像MG的特征图g与主网络残差块中残差特征的结合，所述结合的方式为：
Z′＝Z⊙g
所述⊙表示图像的按元素相乘，所述Z为残差结构中残差支路卷积后的特征图，所述Z'为结合梯度先验后的特征图。
所述卷积神经网络中梯度图像PLG或MG的特征提取结构描述为：
梯度图像特征提取包括4个卷积层，4个卷积层后面均有激活函数ReLU，4个卷积层利用跳线连接组成密集残差结构，在第一个卷积层输出与第二、三个卷积层输出建立跳线连接，在第二个卷积层输出与第三个卷积层输出建立跳线连接，4个卷积层的卷积核大小均为3×3，4个卷积层的特征通道数与主网络中待结合特征图的特征通道相同。
所述S4中卷积神经网络的损失函数为MSEloss，所述MSEloss表示为：
所述F表示卷积神经网络，所述PH表示对应的高分辨率PET图像，所述Θ表示神经网络的参数。
本发明与现有技术相比，具有的有益效果是：
本发明提供了一种基于MR梯度信息和深度学习方法引导的PET图像部分容积校正方法，通过将低分辨率PET图像与MR图像进行配准，提取MR图像的梯度图像，与低分辨率PET图像作为联合输入，进行神经网络训练，利用MR梯度图像进行先验引导，并利用低分辨率PET梯度图像进行正确性约束，将PET图像的部分容积校正转化为学习更高分辨率的PET图像，学习完成之后，整体方法更为简便，提高PET成像分辨率的同时不引入新的噪声。
附图说明
图1为本发明的卷积神经网络结构；
图2为本发明的测试结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。一种基于MR梯度信息和深度学习的PET图像容积校正方法，包括下列步骤：
步骤1、分别通过低分辨率PET设备和MRI设备同步采集同一目标物的PET图像PL和MR 图像M，并同时获得PET和MRI成像设备的系统分辨率；
步骤2、将步骤1中获得的低分辨率PET图像PL和MR图像M进行刚性配准；
步骤3、将步骤2中获得的低分辨率PET图像PL和MR图像M进行梯度信息提取，分别获得梯度图像PLG、梯度图像MG；
步骤4、判断梯度图像PLG、梯度图像MG是否拥有相同的结构相似性，如果有，将低分辨率PET图像PL和MR图像M的梯度图像MG输入卷积神经网络，输出高分辨率PET图像PH；如果没有，将低分辨率PET图像PL和低分辨率PET图像PL的梯度图像PLG输入卷积神经网络，输出高分辨率PET图像PH。
进一步，步骤3中梯度信息提取采用Sobel边缘检测器，公式如下；
其中：A表示原始图像，Gx和Gy表示经过水平和垂直边缘检测的图像灰度值，G表示该点的梯度大小。
进一步，如图1所示，步骤4中的卷积神经网络包括第一块结构和第二块结构，第一块结构由6个残差块组成，第一块结构在第一个残差块输出与第三个残差块、第五个残差块输出建立跳线连接，通过跳线连接来自传输路径前后相同大小的特征图，将特征图重新用作后层网络的输入，这将很好地保留图像的细节；在每个跳线连接之后连接一个1×1卷积，1×1卷积后有激活函数 ReLU；前五个残差块的特征通道均为32，最后一个残差块的输出通道为C，C表示高分辨率PET 图像与低分辨率PET图像大小的比例因子的平方；
进一步，第二块结构包括3个卷积层，3个卷积层后有激活函数ReLU，第二块结构在第二块结构的第一个卷积层输出与第三个卷积层输出建立跳线连接，3个卷积层的卷积核大小均为 3×3，3个卷积层的特征通道均为32。
进一步，残差块包括两个卷积层，一个卷积层后面有激活函数ReLU，两个卷积层的卷积核大小为3×3，两个卷积层输出表示为：
zl＝yl-1+R(yl-1,g；wl-1)
其中：g表示梯度图像PLG或梯度图像MG的特征图，R表示残差结构中的卷积层操作，wl-1是残差结构的参数，yl-1表示输入，zl表示输出。
进一步，步骤4中的梯度图像PLG或梯度图像MG的特征图g与主网络残差块中残差特征的结合，结合的方式为：
Z′＝Z⊙g
其中：⊙表示图像的按元素相乘，Z为残差结构中残差支路卷积后的特征图，Z'为结合梯度先验后的特征图。
进一步，卷积神经网络中梯度图像PLG或MG的特征提取结构描述为：
梯度图像特征提取包括4个卷积层，4个卷积层后面均有激活函数ReLU，4个卷积层利用跳线连接组成密集残差结构，在第一个卷积层输出与第二、三个卷积层输出建立跳线连接，在第二个卷积层输出与第三个卷积层输出建立跳线连接，4个卷积层的卷积核大小均为3×3，4个卷积层的特征通道数与主网络中待结合特征图的特征通道相同。
进一步，步骤4中卷积神经网络的损失函数为MSEloss，MSEloss表示为：
其中：F表示卷积神经网络，PH表示对应的高分辨率PET图像，Θ表示神经网络的参数。
实施例1：
为了证明所提出的网络的可靠性，本申请使用了一个XX真实临床数据集(配对的PET与 MRI)来训练和评估网络性能。
如图2所示，训练数据集包括30组病人PET数据，每个病人PET数据包括128个切片(192×192)作为高分辨率PET图像，并通过半高宽为2.4mm的高斯滤波器进行平滑处理，通过在图像域中空间变化的PSF来模糊高分辨率PET图像，获得低分辨率PET图像作为输入，通过将输入随机旋转1到360°并将其随机裁剪成64×64的大小来实现数据增强。将20个病人的数据作为训练集，将8个病人数据作为验证集，将2个病人数据作为测试集，训练数量分别为： 30万，12万，3万。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于MR梯度信息和深度学习的PET图像容积校正方法，其特征在于：包括下列步骤：
S1、分别通过低分辨率PET设备和MRI设备同步采集同一目标物的PET图像PL和MR图像M，并同时获得PET和MRI成像设备的系统分辨率；
S2、将S1中获得的低分辨率PET图像PL和MR图像M进行刚性配准；
S3、将S2中获得的低分辨率PET图像PL和MR图像M进行梯度信息提取，分别获得梯度图像PLG、梯度图像MG；
S4、判断梯度图像PLG、梯度图像MG是否拥有相同的结构相似性，如果有，将低分辨率PET图像PL和MR图像M的梯度图像MG输入卷积神经网络，输出高分辨率PET图像PH；如果没有，将低分辨率PET图像PL和低分辨率PET图像PL的梯度图像PLG输入卷积神经网络，输出高分辨率PET图像PH。
2.根据权利要求1所述的一种基于MR梯度信息和深度学习的PET图像容积校正方法，其特征在于：所述S3中梯度信息提取采用Sobel边缘检测器，公式如下；
所述A表示原始图像，所述Gx和Gy表示经过水平和垂直边缘检测的图像灰度值，所述G表示该点的梯度大小。
3.根据权利要求1所述的一种基于MR梯度信息和深度学习的PET图像容积校正方法，其特征在于：所述S4中的卷积神经网络包括第一块结构和第二块结构，所述第一块结构由6个残差块组成，所述第一块结构在第一个残差块输出与第三个残差块、第五个残差块输出建立跳线连接，通过跳线连接来自传输路径前后相同大小的特征图，将特征图重新用作后层网络的输入，这将很好地保留图像的细节；在每个跳线连接之后连接一个1×1卷积，所述1×1卷积后有激活函数ReLU；前五个残差块的特征通道均为32，最后一个残差块的输出通道为C，所述C表示高分辨率PET图像与低分辨率PET图像大小的比例因子的平方；
所述第二块结构包括3个卷积层，3个卷积层后有激活函数ReLU，所述第二块结构在第二块结构的第一个卷积层输出与第三个卷积层输出建立跳线连接，3个卷积层的卷积核大小均为3×3，3个卷积层的特征通道均为32。
4.根据权利要求3所述的一种基于MR梯度信息和深度学习的PET图像容积校正方法，其特征在于：所述残差块包括两个卷积层，一个卷积层后面有激活函数ReLU，两个卷积层的卷积核大小为3×3，两个卷积层输出表示为：
zl＝yl-1+R(yl-1,g；wl-1)
所述g表示梯度图像PLG或梯度图像MG的特征图，所述R表示残差结构中的卷积层操作，所述wl-1是残差结构的参数，所述yl-1表示输入，所述zl表示输出。
5.根据权利要求4所述的一种基于MR梯度信息和深度学习的PET图像容积校正方法，其特征在于：所述S4中的梯度图像PLG或梯度图像MG的特征图g与主网络残差块中残差特征的结合，所述结合的方式为：
Z′＝Z⊙g
所述⊙表示图像的按元素相乘，所述Z为残差结构中残差支路卷积后的特征图，所述Z'为结合梯度先验后的特征图。
6.根据权利要求5所述的一种基于MR梯度信息和深度学习的PET图像容积校正方法，其特征在于：所述卷积神经网络中梯度图像PLG或MG的特征提取结构描述为：
梯度图像特征提取包括4个卷积层，4个卷积层后面均有激活函数ReLU，4个卷积层利用跳线连接组成密集残差结构，在第一个卷积层输出与第二、三个卷积层输出建立跳线连接，在第二个卷积层输出与第三个卷积层输出建立跳线连接，4个卷积层的卷积核大小均为3×3，4个卷积层的特征通道数与主网络中待结合特征图的特征通道相同。
7.根据权利要求1所述的一种基于MR梯度信息和深度学习的PET图像容积校正方法，其特征在于：所述S4中卷积神经网络的损失函数为MSEloss，所述MSEloss表示为：
所述F表示卷积神经网络，所述PH表示对应的高分辨率PET图像，所述Θ表示神经网络的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011522288.0A CN112700380A (zh) | 2020-12-22 | 2020-12-22 | 一种基于mr梯度信息和深度学习的pet图像容积校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011522288.0A CN112700380A (zh) | 2020-12-22 | 2020-12-22 | 一种基于mr梯度信息和深度学习的pet图像容积校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112700380A true CN112700380A (zh) | 2021-04-23 |
Family
ID=75509945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011522288.0A Withdrawn CN112700380A (zh) | 2020-12-22 | 2020-12-22 | 一种基于mr梯度信息和深度学习的pet图像容积校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112700380A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463459A (zh) * | 2022-01-24 | 2022-05-10 | 南方医科大学 | 一种pet图像的部分容积校正方法、装置、设备及介质 |
| CN116843679A (zh) * | 2023-08-28 | 2023-10-03 | 南方医科大学 | 基于深度图像先验框架的pet图像部分容积校正方法 |
-
2020
- 2020-12-22 CN CN202011522288.0A patent/CN112700380A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463459A (zh) * | 2022-01-24 | 2022-05-10 | 南方医科大学 | 一种pet图像的部分容积校正方法、装置、设备及介质 |
| CN114463459B (zh) * | 2022-01-24 | 2022-09-27 | 南方医科大学 | 一种pet图像的部分容积校正方法、装置、设备及介质 |
| CN116843679A (zh) * | 2023-08-28 | 2023-10-03 | 南方医科大学 | 基于深度图像先验框架的pet图像部分容积校正方法 |
| CN116843679B (zh) * | 2023-08-28 | 2023-12-26 | 南方医科大学 | 基于深度图像先验框架的pet图像部分容积校正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102574256B1 (ko) | 딥 컨볼루션 신경망을 사용하는 의료 이미징을 위한 선량 감소 | |
| Yang et al. | Joint correction of attenuation and scatter in image space using deep convolutional neural networks for dedicated brain 18F-FDG PET | |
| US11020077B2 (en) | Simultaneous CT-MRI image reconstruction | |
| Zheng et al. | Magnetic resonance–based automatic air segmentation for generation of synthetic computed tomography scans in the head region | |
| CN111601550A (zh) | 用于使用深度学习的医学成像的造影剂量减少 | |
| CN110809782A (zh) | 衰减校正系统和方法 | |
| Tian et al. | SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI | |
| Le Pogam et al. | Evaluation of a 3D local multiresolution algorithm for the correction of partial volume effects in positron emission tomography | |
| JP7324195B2 (ja) | ディープイメージングを使用したポジトロンエミッショントモグラフィシステム設計の最適化 | |
| Izquierdo-Garcia et al. | MR imaging–guided attenuation correction of PET data in PET/MR imaging | |
| Jia et al. | A new sparse representation framework for reconstruction of an isotropic high spatial resolution MR volume from orthogonal anisotropic resolution scans | |
| US20220180482A1 (en) | K-space based method for reducing noise and dose of radiation or contrast for perfusion imaging | |
| Chen et al. | Direct and indirect strategies of deep-learning-based attenuation correction for general purpose and dedicated cardiac SPECT | |
| Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
| CN109978966A (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
| CN112700380A (zh) | 一种基于mr梯度信息和深度学习的pet图像容积校正方法 | |
| CN108287324A (zh) | 磁共振多对比度图像的重建方法和装置 | |
| 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 | |
| Li et al. | A modified generative adversarial network using spatial and channel-wise attention for CS-MRI reconstruction | |
| CN114494479A (zh) | 利用神经网络对低剂量pet图像进行同时衰减校正、散射校正和去噪声的系统和方法 | |
| CN108596995A (zh) | 一种pet-mri最大后验联合重建方法 | |
| Jiang et al. | Semi-supervised standard-dose PET image generation via region-adaptive normalization and structural consistency constraint | |
| US11481934B2 (en) | System, method, and computer-accessible medium for generating magnetic resonance imaging-based anatomically guided positron emission tomography reconstruction images with a convolutional neural network | |
| JP7238134B2 (ja) | Ｐｅｔ画像化中の自動的な動き補正 | |
| WO2015193802A1 (en) | Multi-view tomographic 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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210423 |