CN112927318B - 低剂量pet图像的降噪重建方法及计算机可读存储介质 - Google Patents

低剂量pet图像的降噪重建方法及计算机可读存储介质 Download PDF

Info

Publication number
CN112927318B
CN112927318B CN202110198848.XA CN202110198848A CN112927318B CN 112927318 B CN112927318 B CN 112927318B CN 202110198848 A CN202110198848 A CN 202110198848A CN 112927318 B CN112927318 B CN 112927318B
Authority
CN
China
Prior art keywords
image
dose
low
full
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
Application number
CN202110198848.XA
Other languages
English (en)
Other versions
CN112927318A (zh
Inventor
周龙
叶宏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Minfound Medical Systems Co Ltd
Original Assignee
Minfound Medical Systems Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Minfound Medical Systems Co Ltd filed Critical Minfound Medical Systems Co Ltd
Priority to CN202110198848.XA priority Critical patent/CN112927318B/zh
Publication of CN112927318A publication Critical patent/CN112927318A/zh
Application granted granted Critical
Publication of CN112927318B publication Critical patent/CN112927318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (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)
  • Apparatus For Radiation Diagnosis (AREA)
  • Nuclear Medicine (AREA)

Abstract

本发明提供了一种低剂量PET图像的降噪重建方法及计算机可读存储介质，通过结合训练的深度学习网络和个性化定制的参考图像，有效的降低图像中的噪声，有效的保留图像细节以及对比度，并使得定量误差低于10％，实现低剂量PET图像的高质量的目的。并且本发明可以根据每个医生的喜好，实现个性化定制降噪效果，以适应不同医生的不同需求。

Description

低剂量PET图像的降噪重建方法及计算机可读存储介质
技术领域
本发明涉及正电子发射计算机断层技术领域，尤其涉及一种低剂量PET图像的降噪重建方法及计算机可读存储介质。
背景技术
正电子发射计算机断层成像(Positron Emission Tomography)是核医学领域比较先进的临床检查影像技术。通过向人体注射放射性示踪剂药物，药物中的放射性核素衰变产生的一对γ射线，从而得到放射性药物在人体内的分布图。一般放射性示踪剂选取的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，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PET扫描中存在的潜在放射性可能对人体带来辐照损伤，因此临床上非常渴望降低PET的扫描剂量，常见的降低扫描剂量的方法就是降低注射的放射性示踪剂的剂量。然而降低注射剂量会导致图像噪声增加，对比度下降，并最终可能影响到医生的诊断。传统的图像后处理方法包括BM3D，NLM等通常会导致图像过平滑和图像对比度下降等问题。常见的方法包括迭代重建法，图像后处理，以及深度学习方法，迭代重建法通常很难调节超参数，以及需要较大的计算量。除此之外，常规的降噪方法只能得到一种特定的降噪效果。
发明内容
为了克服上述技术缺陷，本发明的目的在于提供一种用于提高低剂量PET图像质量并实现个性化降噪的低剂量PET图像的降噪重建方法及计算机可读存储介质。
本发明公开了一种低剂量PET图像的降噪重建方法，包括如下步骤：采集被扫描者的全剂量扫描图像数据；根据所述全剂量扫描图像数据重建全剂量扫描图像，并在所述全剂量扫描图像数据上随机采样预设比例的数据进行重建，生成与所述全剂量扫描图像相应的低剂量扫描图像；将所述全剂量扫描图像和所述低剂量扫描图像输入至深度学习网络模型中进行训练，获取初始网络模型；采集被扫描者的低剂量扫描图像数据，在参考图像集中指定用于重建该低剂量扫描图像数据的所述参考图像；结合参考图像与所述初始网络模型，获取当前参考图像所对应的噪声水平；结合所述低剂量扫描图像数据和所述噪声水平，获取重建的该低剂量扫描图像数据的低剂量扫描图像。
优选地，所述在所述全剂量扫描图像数据上随机采样预设比例的数据进行重建包括：在所述全剂量扫描图像数据上基于List-mode数据随机采样预设比例的数据进行重建。
优选地，所述将所述全剂量扫描图像和所述低剂量扫描图像输入至深度学习网络模型中进行训练，获取初始网络模型包括：将所述全剂量扫描图像和所述低剂量扫描图像的数据集分为训练集，验证集和测试集；在训练集和测试集中，对所述低剂量扫描图像和所述全剂量扫描图像分别在相同位置提取2D图像碎片，组成训练数据对；使用所述训练数据对训练所述深度学习网络模型，并计算获取训练后的所述深度学习网络模型的网络损失；根据所述网络损失判断训练后的所述深度学习网络模型在验证集上的误差是否达到最小，若否则更新网络参数，并重新计算更新后的网络损失，若是则输出并保存所述深度学习网络模型的参数及权重。
优选地，所述结合参考图像与所述初始网络模型，获取当前参考图像所对应的噪声水平包括：将参考图像输入至编码器E2中进行编码，获取当前参考图像所对应的噪声水平编码S；所述结合所述低剂量扫描图像数据和所述噪声水平，获取重建的该低剂量扫描图像数据的低剂量扫描图像包括：将低剂量扫描图像输入至编码器E1中，获取图像结构编码C；将图像结构编码C和噪声水平编码S输入到解码器G2中进行推理，获得增强的所述低剂量扫描图像。
优选地，所述网络损失为图像重建损失、隐空间编码重建损失和对抗损失的加权和：
Figure BDA0002947316970000021
其中，
Figure BDA0002947316970000022
分别为低剂量的对抗损失和高剂量的对抗损失；
Figure BDA0002947316970000023
分别为低剂量的图像重建损失和高剂量的图像重建损失；
Figure BDA0002947316970000024
为隐空间编码重建损失。
优选地，
Figure BDA0002947316970000025
Figure BDA0002947316970000026
其中，D2是尝试区分转换后图像和参考图像中的真实图像的判别器；G2为参考图像的解码器。
优选地，
Figure BDA0002947316970000031
Figure BDA0002947316970000032
优选地，
Figure BDA0002947316970000033
Figure BDA0002947316970000034
其中，
Figure BDA0002947316970000035
为低剂量扫描图像的图像结构编码器，
Figure BDA0002947316970000036
为低剂量扫描图像x1的噪声水平编码器；
Figure BDA0002947316970000037
分别为参考图像的图像结构编码器和噪声水平编码器。
优选地，所述深度学习网络模型包括自逆生成网络与判别网络；所述自逆生成网络包括降采样层、上采样层、池化层、全连接层、噪声水平编码器、残差模块和图像结构编码器；数据从降采样层传输至上采样层；所述判别网络包括若干个相连接的通用卷积层和全连接网络，输入数据至所述通用卷积层，并依次经过若干个相连接的所述通用卷积层，到达所述全连接网络。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的分区方法的步骤。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
本发明提出了一种用于提高低剂量PET图像质量并实现个性化降噪的。
1.本发明有效的降低图像中的噪声，有效的保留图像细节以及对比度，并使得定量误差低于10％，实现低剂量PET图像的高质量的目的；
2.由于每个医生对图像中的噪声忍耐程度不一致，通过设置所述参考图像，本发明可以根据每个医生的喜好，实现个性化定制降噪效果，以适应不同医生的不同需求。
附图说明
图1为本发明提供的低剂量PET图像的降噪重建方法的流程图；
图2为本发明提供的低剂量PET图像的降噪重建方法的训练深度网络模型的流程图；
图3为本发明提供的低剂量PET图像的降噪重建方法的应用流程图；
图4为本发明提供的低剂量PET图像的降噪重建方法的在相同域内重建的训练框架；
图5为本发明提供的低剂量PET图像的跨域重建的降噪重建方法的；
图6为本发明提供的低剂量PET图像的降噪重建方法的所述自逆生成网络结构框架图；
图7为本发明提供的低剂量PET图像的降噪重建方法的所述判别网络结构框架图；
图8为本发明提供的低剂量PET图像的降噪重建方法的一种优选实施例的输出结果图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
参见附图1，本发明公开了一种低剂量PET图像的降噪重建方法，包括如下步骤：
S1、采集被扫描者的全剂量扫描图像数据；
S2、根据全剂量扫描图像数据重建全剂量扫描图像，并在全剂量扫描图像数据上随机采样预设比例的数据进行重建，生成与全剂量扫描图像相应的低剂量扫描图像；
S3、将全剂量扫描图像和低剂量扫描图像输入至深度学习网络模型中进行训练，获取初始网络模型；
S4、采集被扫描者的低剂量扫描图像数据，在参考图像集中指定用于重建该低剂量扫描图像数据的参考图像；结合参考图像与初始网络模型，获取当前参考图像所对应的噪声水平；结合低剂量扫描图像数据和噪声水平，获取重建的该低剂量扫描图像数据的低剂量扫描图像。
本发明采用的网络结构以MUNIT网络为基础，其他常见的基于分解思路的生成网络包括但不限于UNIT、DRIT、CDD、CDGAN等网络模型也在本专利权利要求范围之内。
本发明优选的应用于PET图像的降噪重建，除此之外，本方法亦可用于X光片、CT、MRI等图像的个性化降噪，因此将本发明应用于X光片、CT、MRI的方法也在本专利权利要求范围之内。
具体地，步骤S2在全剂量扫描图像数据上随机采样预设比例的数据进行重建是基于List-mode数据。
步骤S3具体包括：
S301、将全剂量扫描图像和低剂量扫描图像的数据集分为训练集，验证集和测试集；
S302、在训练集和测试集中，对低剂量扫描图像和全剂量扫描图像分别在相同位置提取2D图像碎片，组成训练数据对；
S303、使用训练数据对训练深度学习网络模型，并计算获取训练后的深度学习网络模型的网络损失；
S304、根据网络损失判断训练后的深度学习网络模型在验证集上的误差是否达到最小，若否则更新网络参数，并重新计算更新后的网络损失，若是则输出并保存深度学习网络模型的参数及权重。
步骤S4具体包括：
S401、采集被扫描者的低剂量扫描图像数据，将低剂量扫描图像数输入至编码器E1中，获取图像结构编码C；
S402、在参考图像集中指定用于重建该低剂量扫描图像数据的参考图像；
S403、将参考图像输入至编码器E2中进行编码，获取当前参考图像所对应的噪声水平编码S；
S404、将图像结构编码C和噪声水平编码S输入到解码器G2中进行推理，获取重建的该低剂量扫描图像数据的增强后的低剂量扫描图像并作为DICOM文件进行保存。
需要说明的是，S402记为医生根据个人习惯进行选定，若医生没有选定，则系统将会选择已预设的默认参考图像。
本发明联合去训练编码器、解码器和判别器来优化最终目标，其中的网络损失为图像重建损失、隐空间编码重建损失和对抗损失的加权和：
Figure BDA0002947316970000061
其中，
Figure BDA0002947316970000062
分别为低剂量的对抗损失和高剂量的对抗损失；
Figure BDA0002947316970000063
分别为低剂量的图像重建损失和高剂量的图像重建损失；
Figure BDA0002947316970000064
为隐空间编码重建损失。
本发明使用GANs来匹配转换后图像的分布到目标数据的分布，则对抗损失具体为：
Figure BDA0002947316970000065
Figure BDA0002947316970000066
其中，D2是尝试区分转换后图像和参考图像中的真实图像的判别器；G2为参考图像的解码器。
通过给定一个从数据分布中采样的图像，在编码和解码后重建该图像，故图像重建损失为：
Figure BDA0002947316970000067
Figure BDA0002947316970000068
隐空间编码重建损失为给定一个在转换时从隐空间分布中抽取的潜在编码，在本发明中即为图像结构和噪声水平编码，在解码和编码后对其进行重构：
Figure BDA0002947316970000069
Figure BDA00029473169700000610
其中，
Figure BDA0002947316970000071
为低剂量扫描图像的图像结构编码器，E1 s为低剂量扫描图像x1的噪声水平编码器；
Figure BDA0002947316970000072
分别为参考图像的图像结构编码器和噪声水平编码器。
具体地，深度学习网络模型包括自逆生成网络与判别网络。自逆生成网络包括降采样层、上采样层、池化层、全连接层、噪声水平编码器、残差模块和图像结构编码器，数据从降采样层传输至上采样层。
判别网络包括若干个相连接的通用卷积层和全连接网络，输入数据至通用卷积层，并依次经过若干个相连接的通用卷积层，到达全连接网络。
本发明提供了一种应用于头部低剂量PET扫描图像的重建结果，参见附图8，框内为最终输出的重建图像，可以看出，即使是低剂量扫描，但保留了图像细节和图像对比度。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一的分区方法的步骤。
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

Claims (9)

1.一种低剂量PET图像的降噪重建方法，其特征在于，包括如下步骤：
采集被扫描者的全剂量扫描图像数据；
根据所述全剂量扫描图像数据重建全剂量扫描图像，并在所述全剂量扫描图像数据上随机采样预设比例的数据进行重建，生成与所述全剂量扫描图像相应的低剂量扫描图像；
将所述全剂量扫描图像和所述低剂量扫描图像输入至深度学习网络模型中进行训练，获取初始网络模型；
采集被扫描者的低剂量扫描图像数据，在参考图像集中指定用于重建该低剂量扫描图像数据的所述参考图像；将参考图像输入至所述初始网络模型的编码器E2中进行编码，获取当前参考图像所对应的噪声水平编码S；将低剂量扫描图像输入至编码器E1中，获取图像结构编码C；将图像结构编码C和噪声水平编码S输入到解码器G2中进行推理，获得增强的所述低剂量扫描图像。
2.根据权利要求1所述的降噪重建方法，其特征在于，所述在所述全剂量扫描图像数据上随机采样预设比例的数据进行重建包括：
在所述全剂量扫描图像数据上基于List-mode数据随机采样预设比例的数据进行重建。
3.根据权利要求1所述的降噪重建方法，其特征在于，所述将所述全剂量扫描图像和所述低剂量扫描图像输入至深度学习网络模型中进行训练，获取初始网络模型包括：
将所述全剂量扫描图像和所述低剂量扫描图像的数据集分为训练集，验证集和测试集；
在训练集和测试集中，对所述低剂量扫描图像和所述全剂量扫描图像分别在相同位置提取2D图像碎片，组成训练数据对；
使用所述训练数据对训练所述深度学习网络模型，并计算获取训练后的所述深度学习网络模型的网络损失；
根据所述网络损失判断训练后的所述深度学习网络模型在验证集上的误差是否达到最小，若否则更新网络参数，并重新计算更新后的网络损失，若是则输出并保存所述深度学习网络模型的参数及权重。
4.根据权利要求3所述的降噪重建方法，其特征在于，所述网络损失为图像重建损失、隐空间编码重建损失和对抗损失的加权和：
Figure FDA0003523642340000021
其中，
Figure FDA0003523642340000022
分别为低剂量的对抗损失和高剂量的对抗损失；
Figure FDA0003523642340000023
分别为低剂量的图像重建损失和高剂量的图像重建损失；
Figure FDA0003523642340000024
为隐空间编码重建损失。
5.根据权利要求4所述的降噪重建方法，其特征在于，
Figure FDA0003523642340000025
Figure FDA0003523642340000026
其中，D2是尝试区分转换后图像和参考图像中的真实图像的判别器；G2为参考图像的解码器。
6.根据权利要求4所述的降噪重建方法，其特征在于，
Figure FDA0003523642340000027
Figure FDA0003523642340000028
其中，
Figure FDA0003523642340000029
为低剂量扫描图像的图像结构编码器，
Figure FDA00035236423400000210
为低剂量扫描图像x1的噪声水平编码器。
7.根据权利要求4所述的降噪重建方法，其特征在于，
Figure FDA00035236423400000211
Figure FDA00035236423400000212
其中，
Figure FDA00035236423400000213
分别为参考图像的图像结构编码器和噪声水平编码器。
8.根据权利要求1所述的降噪重建方法，其特征在于，所述深度学习网络模型包括自逆生成网络与判别网络；
所述自逆生成网络包括降采样层、上采样层、池化层、全连接层、噪声水平编码器、残差模块和图像结构编码器；数据从降采样层传输至上采样层；
所述判别网络包括若干个相连接的通用卷积层和全连接网络，输入数据至所述通用卷积层，并依次经过若干个相连接的所述通用卷积层，到达所述全连接网络。
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权利要求1-8中任一所述的降噪重建方法的步骤。
CN202110198848.XA 2021-02-22 2021-02-22 低剂量pet图像的降噪重建方法及计算机可读存储介质 Active CN112927318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110198848.XA CN112927318B (zh) 2021-02-22 2021-02-22 低剂量pet图像的降噪重建方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110198848.XA CN112927318B (zh) 2021-02-22 2021-02-22 低剂量pet图像的降噪重建方法及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112927318A CN112927318A (zh) 2021-06-08
CN112927318B true CN112927318B (zh) 2022-04-22

Family

ID=76170286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110198848.XA Active CN112927318B (zh) 2021-02-22 2021-02-22 低剂量pet图像的降噪重建方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112927318B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023279316A1 (zh) * 2021-07-08 2023-01-12 深圳高性能医疗器械国家研究院有限公司 一种基于去噪打分匹配网络的pet重建方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018127507A1 (en) * 2017-01-06 2018-07-12 Koninklijke Philips N.V. Standardized uptake value (suv) guided reconstruction control for improved outcome robustness in positron emission tomography (pet) imaging
US20180333129A1 (en) * 2017-05-17 2018-11-22 Carestream Health, Inc. Automatic exposure control setup
CN111867474A (zh) * 2018-01-03 2020-10-30 皇家飞利浦有限公司 使用深度学习根据低剂量pet成像进行全剂量pet图像估计
CN109102550B (zh) * 2018-06-08 2023-03-31 东南大学 基于卷积残差网络的全网络低剂量ct成像方法及装置
CN109166161B (zh) * 2018-07-04 2023-06-30 东南大学 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统
US11354791B2 (en) * 2018-12-19 2022-06-07 General Electric Company Methods and system for transforming medical images into different styled images with deep neural networks
KR20190119548A (ko) * 2019-10-02 2019-10-22 엘지전자 주식회사 이미지 노이즈 처리방법 및 처리장치
CN111784788A (zh) * 2020-06-04 2020-10-16 深圳深透医疗科技有限公司 一种基于深度学习的pet快速成像方法和系统
CN112037147B (zh) * 2020-09-02 2024-05-14 上海联影医疗科技股份有限公司 医学图像降噪方法和装置

Also Published As

Publication number Publication date
CN112927318A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN111325686B (zh) 一种基于深度学习的低剂量pet三维重建方法
Zhang et al. Improving CBCT quality to CT level using deep learning with generative adversarial network
Zhao et al. Study of low-dose PET image recovery using supervised learning with CycleGAN
US10964072B2 (en) Methods, systems, and media for noise reduction in computed tomography images
CN101917906A (zh) 通过将物体的围绕物用作动态约束在断层扫描中减少剂量并增强图像
US11756161B2 (en) Method and system for generating multi-task learning-type generative adversarial network for low-dose PET reconstruction
CN112258642B (zh) 基于深度学习的低剂量pet数据三维迭代更新重建方法
US20230059132A1 (en) System and method for deep learning for inverse problems without training data
Fuin et al. PET/MRI in the presence of metal implants: completion of the attenuation map from PET emission data
Ramon et al. Initial investigation of low-dose SPECT-MPI via deep learning
Sanaat et al. Deep‐TOF‐PET: Deep learning‐guided generation of time‐of‐flight from non‐TOF brain PET images in the image and projection domains
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
Sanaat et al. A cycle-consistent adversarial network for brain PET partial volume correction without prior anatomical information
CN112017258B (zh) Pet图像重建方法、装置、计算机设备以及存储介质
CN117152365B (zh) 一种口腔cbct超低剂量成像的方法、系统及装置
CN112150378B (zh) 基于自逆卷积生成对抗网络的低剂量全身pet图像增强方法
Xue et al. PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network
Xie et al. Inpainting the metal artifact region in MRI images by using generative adversarial networks with gated convolution
CN116245969A (zh) 一种基于深度神经网络的低剂量pet图像重建方法
CN112862915B (zh) 基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质
CN115423892A (zh) 一种基于最大期望网络的无衰减校正pet重建方法
CN114359431A (zh) 一种参数图像的直接重建方法和系统
Zhan et al. Impaired episodic memory network in subjects at high risk for Alzheimer's disease
Peng et al. Preliminary Deep Learning-based Low Dose Whole Body PET Denoising Incorporating CT Information
CN110992280B (zh) Pet图像衰减校正方法、装置、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
GR01 Patent grant
GR01 Patent grant