CN113822298A - 一种时间活度曲线提取方法和系统 - Google Patents

一种时间活度曲线提取方法和系统 Download PDF

Info

Publication number
CN113822298A
CN113822298A CN202111144672.6A CN202111144672A CN113822298A CN 113822298 A CN113822298 A CN 113822298A CN 202111144672 A CN202111144672 A CN 202111144672A CN 113822298 A CN113822298 A CN 113822298A
Authority
CN
China
Prior art keywords
dynamic image
time activity
activity curve
frame
whole
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.)
Pending
Application number
CN202111144672.6A
Other languages
English (en)
Inventor
叶青
赵一璋
刘慧�
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202111144672.6A priority Critical patent/CN113822298A/zh
Publication of CN113822298A publication Critical patent/CN113822298A/zh
Priority to EP22875015.4A priority patent/EP4330914A1/en
Priority to PCT/CN2022/122230 priority patent/WO2023051632A1/en
Priority to US18/595,471 priority patent/US20240202993A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本说明书涉及医疗图像处理领域，特别涉及一种时间活度曲线提取方法和系统，该方法包括：获取多帧动态图像；所述多帧动态图像至少包括目标区域的动态图像；将所述多帧动态图像输入至提取模型，得到时间活度曲线。

Description

一种时间活度曲线提取方法和系统
技术领域
本说明书涉及医疗图像处理领域，特别涉及一种时间活度曲线提取方法和系统。
背景技术
时间活度曲线(Time-activity curve,TAC)是反应特定区域(如组织或血浆)中放射性示踪剂浓度的曲线，其Y轴表示浓度，X轴表示时间。在一些实施例中，时间活度曲线可以作为动力学模型的血浆输入函数(Input function,IF)，以便于对药物代谢情况进行进一步分析，如求解动力学参数等。
时间活度曲线的准确性关系到后续分析的准确性，因此，如何获取准确的时间活度曲线成为待解决的问题。
发明内容
本说明书实施例之一提供一种时间活度曲线提取方法。所述方法包括：获取多帧动态图像；所述多帧动态图像至少包括目标区域的动态图像；将所述多帧动态图像输入至提取模型，得到时间活度曲线。
本说明书实施例之一提供一种时间活度曲线提取系统，包括：动态图像获取模块，用于获取多帧动态图像；所述多帧动态图像至少包括目标区域的动态图像；时间活度曲线获取模块，用于将所述多帧动态图像输入至提取模型，得到时间活度曲线。
本说明书实施例之一提供一种计算机设备，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上述方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书的一些实施例所示的示例性医学系统的示例图；
图2是根据本说明书的一些实施例所示的在其上可以实现医学系统的至少一部分示例性计算设备的示意图；
图3是根据本说明书的一些实施例所示的时间活度曲线提取方法的示例性流程图；
图4是根据本说明书的一些实施例所示的提取模型训练方法的示例性流程图；
图5是根据本说明书的一些实施例所示的时间活度曲线提取系统的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
获取时间活度曲线的金标准方法为通过成像同时进行采血的方式获取浓度信息，但由于采血属于侵入性的检测方式，在一些实施例中，考虑采用非侵入性的方法获取时间活度曲线。
在一些实施例中，通过基于图像的输入函数(Image-derived input function,IDIF)方式提取血池部分的时间活度曲线，作为血浆输入函数。具体的，需要在图像中勾画感兴趣区域(Region of interest,ROI)，感兴趣区域的勾画难度较高，并且勾画的准确性直接关系到时间活度曲线的准确性。此外，由于图像位置的不同，通常还需要进行部分容积效应的校正，导致时间活度曲线提取难度的增加。
有鉴于此，在本说明书的一些实施例中，提供了一种基于机器学习模型的时间活度曲线提取方法，其提取的时间活度曲线具有较高的准确性。
图1是根据本说明书的一些实施例所示的示例性医学系统的示例图。
医学系统100可以包括医学设备110、网络120、一个或以上终端130、处理设备140和存储设备150。医学系统100中的组件可以以各种方式连接。仅作为示例，医学设备110可以直接(如连接医学设备110和处理设备140的虚线双向箭头所示)或通过网络120连接到处理设备140。作为又一个示例，存储设备150可以直接(如连接存储设备150和医学设备110的虚线双向箭头所示)或通过网络120连接到医学设备110。作为又一个示例，终端130可以直接(如连接终端130和处理设备140的虚线双向箭头所示)或通过网络120连接到处理设备140。作为又一个示例，终端130可以直接(如连接终端130和存储设备150的虚线双向箭头所示)或通过网络120连接到存储设备150。
医学设备110可以对对象进行成像和/或治疗。在一些实施例中，对象可以包括生物对象和/或非生物对象。例如，对象可以包括人身体的特定部分，例如头部、胸部、腹部等，或其组合。又例如，对象可以是医学设备110待扫描的病人。
在一些实施例中，医学设备110可以扫描对象以获取与对象相关的数据。例如，医学设备110可以包括单模态扫描设备和/或多模态扫描设备。单模态扫描设备可以包括例如发射计算机断层扫描(ECT)设备、正电子发射断层扫描(PET)设备、单光子发射计算机断层扫描(SPECT)设备、超声波设备、X射线设备、计算机断层扫描(CT)设备、磁共振成像(MRI)设备等或其任意组合。多模态扫描设备可以包括例如X射线成像-磁共振成像(X射线-MRI)扫描设备、正电子发射断层扫描-X射线成像(PET-X射线)扫描设备、单光子发射计算机断层扫描-磁共振成像(SPECT-MRI)扫描设备、正电子发射断层扫描-计算机断层摄影(PET-CT)扫描设备、正电子发射断层扫描-磁共振成像(PET-MRI)扫描设备、数字减影血管造影-磁共振成像(DSA-MRI)扫描设备等。上面提供的扫描设备仅用于说明目的，而无意限制本说明书的范围。
在一些实施例中，医学设备110可以是PET设备，包括机架111、探测器112、扫描区域113和扫描床114。机架111可以用来支撑探测器112。对象可以被放置在扫描床114上，通过将扫描床114移动到扫描区域113中进行扫描。在一些实施例中，探测器112可以包括一个或多个探测器单元。探测器112可以包括闪烁探测器(例如，碘化铯探测器)、气体探测器等。探测器112可以是和/或包括单排探测器，其中多个探测器单元布置在单排中和/或多排探测器，其中多个探测器单元布置成多排。
网络120可以包括可以促进医学系统100的信息和/或数据的交换的任何合适的网络。在一些实施例中，医学系统100的一个或以上组件(例如，医学设备110、终端130、处理设备140、存储设备150)可以经由网络120与医学系统100的一个或以上其它组件通信信息和/或数据。例如，处理设备140可以经由网络120从医学设备110获得扫描数据。作为另一示例，处理设备140可以经由网络120从终端130获得用户指令。网络120可以是和/或包括公共网络(例如，互联网)、专用网络(例如，局域网(LAN)、广域网(WAN))，有线网络(例如，无线局域网)、以太网、无线网络(例如，802.11网络、Wi-Fi网络)、蜂窝网络(例如，长期演进(LTE)网络)、帧中继网络、虚拟专用网(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任何组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括诸如基站和/或互联网交换点之类的有线和/或无线网络接入点，医学系统100的一个或以上组件可以通过有线和/或无线接入点连接到网络120以交换数据和/或信息。
终端130可以包括移动设备131、平板计算机132、膝上型计算机133等，或其任何组合。在一些实施例中，移动设备131可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任何组合。仅作为示例，终端130可以包括如图3所示的移动设备。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可以包括手镯、鞋类、眼镜、头盔、手表、衣物、背包、智能配件等，或其任意组合。在一些实施例中，移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、膝上型计算机、平板计算机、台式机等或其任何组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中，一个或多个终端130可以是处理设备140的一部分。
处理设备140可以处理从医学设备110、终端130和/或存储设备150获得的数据和/或信息。例如，处理设备140可以获取对象的一组或多组扫描数据。作为另一示例，处理设备140可以通过对多组扫描数据进行分帧处理，以获取一系列帧的信息。作为又一示例，处理设备140可以基于一系列帧的信息，确定对象体内示踪剂的代谢信息。作为又一示例，处理设备140可以根据动力学参数的生理意义使用有界函数替代动力学模型中的所述动力学参数。作为又一示例，处理设备140可以基于扫描数据，通过求解动力学模型中的有界函数的值，确定动力学参数的值。在一些实施例中，处理设备140可以是单个服务器或服务器组。服务器组可以是集中式或分布式的。在一些实施例中，处理设备140可以是相对于医学系统100的一个或多个其他组件的本地组件或远程组件。例如，处理设备140可以经由网络120访问存储在医学设备110、终端130和/或存储设备150中的信息和/或数据。作为另一示例，处理设备140可以直接连接至医学设备110、终端130和/或存储设备150以访问所存储的信息和/或数据。在一些实施例中，处理设备140可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，处理设备140可以由具有如图2所示的一个或以上组件的计算设备200来实现。
存储设备150可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备150可以存储从终端130和/或处理设备140获得的数据。在一些实施例中，存储设备150可以存储处理设备140可以执行或用来执行本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能盘ROM等在一些实施例中，所述存储设备150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备150可以连接到网络120以与医学系统100的一个或以上其他组件(例如，处理设备140、终端130)通信。医学系统100的一个或多个组件可以经由网络120访问存储在存储设备150中的数据或指令。在一些实施例中，存储设备150可以直接连接到医学系统100的一个或以上其他组件或与之通信(例如，处理设备140、终端130)。在一些实施例中，存储设备150可以是处理设备140的一部分。
在一些实施例中，可以为医学设备110提供坐标系170，以定义医学设备110的组件的位置(例如，绝对位置、相对于另一组件的位置)和/或组件的运动。例如，坐标系170可以包括X轴、Y轴和Z轴。X轴和Y轴是水平方向的轴，Z轴是竖直方向的轴。如图1所示，X轴的正方向可以是当面向医学设备110的正面的方向看去时，从治疗床的左侧指向右侧的方向；Y轴的正方向可以是治疗床从医学设备110的内部移动到外部的方向；Z轴的正方向可以是从医学设备110的下方(或医学设备110所在的地面)指向医学设备110的上方的方向。坐标系170仅是出于说明的目的而提供的，例如，坐标系170还可以包括其它坐标轴。又例如，X轴、Y轴和Z轴的方向可以是其它方向，本说明书不做限制。
应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本说明书的范围。对于本领域普通技术人员而言，在本说明书内容的指导下，可做出多种变化和修改。可以以各种方式组合本说明书描述的示例性实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性实施例。然而，这些变化与修改不会背离本说明书的范围。
图2是根据本说明书的一些实施例所示的在其上可以实现医学系统100的至少一部分示例性计算设备的示意图。
如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以根据本说明书描述的技术执行计算机指令(例如，程序代码)并执行处理设备140的功能。计算机指令可以包括，例如，例程、程序、对象、组件、数据结构、过程、模块和功能，其执行本说明书描述的特定功能。例如，处理器210可以处理从医学设备110、存储设备150、终端130和/或医学系统100的任何其他组件获得的数据或信息。在一些实施例中，处理器210可以包括一个或多个硬件处理器，例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、先进的RISC机器(ARM)、可编程逻辑器件(PLD)，能够执行一个或多个功能的任何电路或处理器等，或其组合。
仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应注意，本说明书披露的计算设备200还可以包括多个处理器。因此，本说明书中披露的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或分别执行。例如，如果在本说明书中，计算设备200的处理器执行操作A和操作B，则应当理解，操作A和操作B也可以由计算设备200中的两个或以上不同的处理器联合或分开地执行(例如，第一处理器执行操作A，第二处理器执行操作B，或者第一处理器和第二处理器共同执行操作A和B)。
存储器220可以存储从医学设备110、存储设备150、终端130和/或医学系统100的任何其他组件获得的数据/信息。在一些实施例中，存储器220可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。例如，大容量存储器可以包括磁盘、光盘、固态驱动器等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。易失性读写存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。ROM可以包括掩膜ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)，以及数字多功能盘ROM等。在一些实施例中，存储器220可以存储一个或以上程序和/或指令以执行本说明书描述的示例性方法。
I/O230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O 230可以使用户能够与处理设备140交互。在一些实施例中，I/O 230可以包括输入设备和输出设备。示例性输入设备可以包括键盘、鼠标、触摸屏、麦克风等或其组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等或其组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)、触摸屏屏幕等，或其组合。
通信端口240可以连接到网络(例如，网络120)以促进数据通信。通信端口240可以在处理设备140与医学设备110、存储设备150和/或终端130之间建立连接。该连接可以是有线连接、无线连接，可以实现数据传输和/或接收的任何其他通信连接，和/或这些连接的组合。有线连接可以包括例如电缆、光缆、电话线等，或其任意组合。无线连接可以包括，例如，蓝牙、Wi-Fi、WiMax、无线局域网、ZigBee、移动网络(例如，3G、4G、5G)等或其组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，例如，RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的通信端口。例如，可以根据数字成像和医学通信(DICOM)协议来设计通信端口240。
图3是根据本说明书一些实施例所示的时间活度曲线提取方法的示例性流程图。
在一些实施例中，时间活度曲线提取方法中的一个或多个步骤可以由图1中的处理设备140执行，该方法的流程300包括：
步骤310，获取多帧动态图像。在一些实施例中，步骤310可由动态图像获取模块510执行。
在一些实施例中，多帧动态图像可以是图1中医学设备110扫描得到的多帧动态图像。多帧动态图像至少包括目标区域的动态图像，可以提供连续时间点(多个时间帧)上的示踪剂分布图像，揭示示踪剂活度随时间的变化规律。通过后期对动态图像应用动力学模型，可进一步获取组织器官的功能参数。在一些实施例中，目标区域可以是全身或身体的部分区域，如头部区域、主动脉区域和心脏区域等。
在一些实施例中，多帧动态图像可以是由长轴设备获取的长轴动态图像或由短轴设备获取的短轴动态图像，长轴动态图像包括全身或大部分身体的动态图像，而短轴动态图像包括部分区域的动态图像。
在一些实施例中，当多帧动态图像为长轴动态图像时，步骤310可以进一步包括：
获取包括所述目标区域的长轴动态图像；
基于所述目标区域的范围对所述长轴动态图像进行分割，得到所述多帧动态图像。
在一些实施例中，对长轴动态图像的分割可以根据目标区域范围进行，如目标区域为心脏区域时，可以将长轴动态图像分割为包括心脏床位的动态图像作为多帧动态图像。
在一些实施例中，当多帧动态图像为短轴动态图像时，步骤310可以进一步包括：
获取包括所述目标区域的短轴动态图像；
对所述短轴动态图像进行分帧重建，得到所述多帧动态图像。
在一些实施例中，在利用短轴设备扫描时，通常会对应扫描多个床位，通过分帧重建获取多帧动态图像，关于分帧重建的更多描述可以参见2021年6月11日提交的，专利号为PCT/CN2021/099887，名为“参数成像的系统和方法”的国际申请，其内容在此通过引用合并。需要说明的是，在一些实施例中，根据实际情况，长轴动态图像也可以进行分帧重建，短轴动态图像也可以进行分割，本说明书对此不做限制。
在一些实施例中，多帧动态图像还可以是经过运动校正的动态图像，以对扫描过程中设备或被扫描者由于移动产生的图像误差进行校正，保证多帧动态图像的准确。
在一些实施例中，以短轴PET成像设备扫描为例，多帧动态图像可以是经过分帧重建得到的头部动态图像作为多帧动态图像。在一些实施例中，短轴PET成像设备可以进行全身动态扫描，示例性的，若扫描的目标区域为心脏，短轴PET成像设备先进行心脏单床扫描，再进行全身多pass单向或多向扫描(从头到脚或从脚到头的一次扫描为一个pass)，并分帧重建得到心脏床位动态图像作为多帧动态图像。
步骤320，将所述多帧动态图像输入至提取模型，得到时间活度曲线。在一些实施例中，步骤320可由时间活度曲线获取模块520执行。
在一些实施例中，提取模型可以是机器学习模型。在一些实施例中，机器学习模型可以包括但不限于神经网络模型(例如，CNN模型、DNN模型、RNN模型)、支持向量机模型、GBDT模型等。该机器学习模型的训练过程，可以参见后文中图4的相关描述。
在一些实施例中，基于以步骤310中示例为例，无论输入该提取模型的多帧动态图像为头部动态图像或心脏床位动态图像均可以获得准确的时间活度曲线。
在一些实施例中，将多帧动态图像输入至提取模型，模型输出时间活度曲线。时间活度曲线可以参考前文中相关描述，此处不再赘述。在一些实施例中，通过将多帧动态图像与时间活度曲线建立直接的映射，无需勾画感兴趣区域，避免了勾画过程中产生的误差，保证了时间活度曲线的准确性。
图4是根据本说明书一些实施例所示的提取模型训练方法的示例性流程图。
在一些实施例中，步骤320中的提取模型可以通过对初始化的机器学习模型进行训练得到，训练流程400包括：
步骤410，构造训练样本。
在一些实施例中，训练样本包括以全身动态图像作为训练数据，以所述全身动态图像对应的时间活度曲线作为标签。在一些实施例中，全身动态图像指全身或大部分身体进行扫描得到的动态图像，如可以通过轴长为2m的PET成像设备扫描得到。需要说明的是，在一些实施例中，还可以通过其他方式获取全身动态图像，在本说明书中不做限制。
在一些实施例中，所述全身动态图像通过全身同时扫描成像并采集得到。利用全身同时扫描成像，保证对应的时间活度曲线可以在图像中对全身的所有位置建立实时的、连续的对应关系，使得训练完成的模型具有更高的准确性。
在一些实施例中，全身动态图像对应的时间活度曲线可以是通过其他方法得到的比较好的时间活度曲线结果，示例性的，可以是通过经验丰富的操作者对动态图像勾画的较为准确的感兴趣区域，并基于该感兴趣区域获取的时间活度曲线；或是在勾画前进行了运动校正和/或部分容积校正，以保证获取的时间活度曲线的准确性。
在一些实施例中，全身动态图像对应的时间活度曲线为所述全身动态图像采集时，通过采血得到。连续采血获取浓度的方式作为时间活度曲线的金标准，能够使训练过程中的标签更加准确，从而保证模型的精度和效果。需要说明的是，在一些实施例中，还可以通过采集动态图像并进行必要的图像校正(如运动校正及部分容积校正)，从而获取全身动态图像对应的、准确的时间活度曲线，作为训练数据的标签。
在一些实施例中，可选的，流程400还包括：
步骤420，基于所述目标区域的成像范围分割所述全身动态图像，得到目标区域训练图像。
在一些实施例中，当以全身动态图像为训练数据对提取模型进行训练时，为了保证模型执行的效果，输入图像的目标区域也对应为全身。但在一些其他实施例中，如前述以头部扫描的示例中，动态图像的目标区域为头部区域，因此在一些实施例中，通过执行步骤420，将全身动态图像分割为与目标区域对应的目标区域训练图像，即将全身动态图像分割为头部动态图像并作为目标区域训练图像。同理，当动态图像的目标区域为心脏床位时，将全身动态图像分割为心脏床位动态图像并作为目标区域训练图像。
步骤430，基于训练样本对提取模型进行训练，调整模型参数，以获取训练好的所述提取模型。
在一些实施例中，根据目标区域的不同，选择不同的训练样本对提取模型进行训练，得到模型的预测值，基于预测值和标签之间的差异调整提取模型的参数，直至迭代次数达到预设次数或模型收敛时，停止训练。
在一些实施例中，由于训练时训练数据可以是任意目标区域的动态图像，但使用的标签为全身动态图像对应的时间活度曲线，其是通过在特定血池区域(如主动脉或心脏床位)获取或通过金标准获取，避免了由于目标区域血池成像条件不佳(如头部区域)或短轴扫描成像覆盖范围小导致的需要额外进行部分容积校正或时间活度曲线准确度低的问题。
在一些实施例中，所述提取模型包括分类子模型和多个提取子模型；所述分类子模型用于判断所述多帧动态图像中包括的目标区域；所述多个提取子模型分别用于输入不同目标区域的动态图像，以得到时间活度曲线。
在一些实施例中，任一个子模型的训练方式可以采用流程400中的提取模型的训练方式。分类子模型可以是一个机器学习得到的分类器，当分类子模型输入多帧动态图像后，可以输出该多帧动态图像中所包含的目标区域。
在一些实施例中，通过训练对应不同的目标区域训练不同的提取子模型，并将对应不同目标区域的子模型整合为提取模型，以便于在实际执行时，无论获取的多帧动态图像包括任一个目标区域，均可以自动匹配合适的子模型得到时间获取曲线。
应当注意的是，上述有关流程300和400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300和400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，可以不执行步骤420，在步骤410后直接执行430。
图5是根据本说明书一些实施例所示的时间活度曲线提取系统的示例性模块图。
在一些实施例中，时间活度曲线提取系统500可以包括动态图像获取模块510和时间活度曲线获取模块520。
动态图像获取模块510可以用于获取多帧动态图像；所述多帧动态图像至少包括目标区域的动态图像。
在一些实施例中，关于多帧动态图像的更多描述可以在本说明书的其它地方找到(例如，步骤310及其描述)。在一些实施例中，动态图像获取模块510可以从医学系统100的一个或多个其它组件(例如，医学设备110、存储设备150)中获取与医学系统100有关的数据和/或信息。
时间活度曲线获取模块520可以用于将所述多帧动态图像输入至提取模型，得到时间活度曲线。
在一些实施例中，关于提取模型的更多描述可以在本说明书的其它地方找到(例如，步骤320、流程400及其描述)。在一些实施例中，时间活度曲线获取模块520可以从医学系统100的一个或多个其它组件(例如，医学设备110、存储设备150)中获取与医学系统100有关的数据和/或信息。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，例如，图5中披露的动态图像获取模块510和时间活度曲线获取模块520可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
本说明书实施例可能带来的有益效果包括但不限于：(1)通过将动态图像与时间活度曲线建立直接的映射，无需勾画感兴趣区域，避免了勾画过程中产生的误差，保证了时间活度曲线的准确性。(2)训练时的标签为全身动态图像对应的时间活度曲线，使得模型在执行时无需额外进行部分容积校正，提高了时间活度曲线准确性，并且在输入为短轴扫描图像时，依旧能够具有良好的准确性。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (11)

1.一种时间活度曲线提取方法，其特征在于，包括：
获取多帧动态图像；所述多帧动态图像至少包括目标区域的动态图像；
将所述多帧动态图像输入至提取模型，得到时间活度曲线。
2.根据权利要求1所述的方法，其特征在于，所述提取模型通过以下方式训练得到：
构造训练样本，所述训练样本包括以全身动态图像作为训练数据，以所述全身动态图像对应的时间活度曲线作为标签；
基于训练样本对提取模型进行训练，调整模型参数，以获取训练好的所述提取模型。
3.根据权利要求2所述的方法，其特征在于：所述全身动态图像通过全身同时扫描成像并采集得到。
4.根据权利要求2所述的方法，其特征在于：所述全身动态图像对应的时间活度曲线为所述全身动态图像采集时，通过采血得到。
5.根据权利要求2所述的方法，其特征在于，还包括：
基于所述目标区域的成像范围分割所述全身动态图像，得到目标区域训练图像并作为训练数据。
6.根据权利要求1所述的方法，其特征在于，所述获取多帧动态图像，包括：
获取包括所述目标区域的短轴动态图像；
对所述短轴动态图像进行分帧重建，得到所述多帧动态图像。
7.根据权利要求1所述的方法，其特征在于，所述获取多帧动态图像，包括：所述获取多帧动态图像，包括：
获取包括所述目标区域的长轴动态图像；
基于所述目标区域的范围对所述长轴动态图像进行分割，得到所述多帧动态图像。
8.根据权利要求1所述的方法，其特征在于：所述提取模型包括分类子模型和多个提取子模型；
所述分类子模型用于判断所述多帧动态图像中包括的目标区域；所述多个提取子模型分别用于输入不同目标区域的动态图像，以得到时间活度曲线。
9.一种时间活度曲线提取系统，其特征在于，包括：
动态图像获取模块，用于获取多帧动态图像；所述多帧动态图像至少包括目标区域的动态图像；
时间活度曲线获取模块，用于将所述多帧动态图像输入至提取模型，得到时间活度曲线。
10.一种计算机设备，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1-8中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1-8中任一项所述的方法。
CN202111144672.6A 2021-09-28 2021-09-28 一种时间活度曲线提取方法和系统 Pending CN113822298A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111144672.6A CN113822298A (zh) 2021-09-28 2021-09-28 一种时间活度曲线提取方法和系统
EP22875015.4A EP4330914A1 (en) 2021-09-28 2022-09-28 Methods and systems for image processing
PCT/CN2022/122230 WO2023051632A1 (en) 2021-09-28 2022-09-28 Methods and systems for image processing
US18/595,471 US20240202993A1 (en) 2021-09-28 2024-03-05 Methods and systems for image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111144672.6A CN113822298A (zh) 2021-09-28 2021-09-28 一种时间活度曲线提取方法和系统

Publications (1)

Publication Number Publication Date
CN113822298A true CN113822298A (zh) 2021-12-21

Family

ID=78915736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111144672.6A Pending CN113822298A (zh) 2021-09-28 2021-09-28 一种时间活度曲线提取方法和系统

Country Status (1)

Country Link
CN (1) CN113822298A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023051632A1 (en) * 2021-09-28 2023-04-06 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106510744A (zh) * 2016-04-27 2017-03-22 上海联影医疗科技有限公司 Pet扫描中多示踪剂动态参数的估计方法
CN108932741A (zh) * 2018-06-14 2018-12-04 上海联影医疗科技有限公司 动态pet参数成像方法、装置、系统和计算机可读存储介质
JP2020076584A (ja) * 2018-11-05 2020-05-21 キヤノンメディカルシステムズ株式会社 医用画像処理装置
US20200320753A1 (en) * 2019-04-03 2020-10-08 Uih America, Inc. Systems and methods for positron emission tomography image reconstruction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106510744A (zh) * 2016-04-27 2017-03-22 上海联影医疗科技有限公司 Pet扫描中多示踪剂动态参数的估计方法
CN108932741A (zh) * 2018-06-14 2018-12-04 上海联影医疗科技有限公司 动态pet参数成像方法、装置、系统和计算机可读存储介质
JP2020076584A (ja) * 2018-11-05 2020-05-21 キヤノンメディカルシステムズ株式会社 医用画像処理装置
US20200320753A1 (en) * 2019-04-03 2020-10-08 Uih America, Inc. Systems and methods for positron emission tomography image reconstruction

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023051632A1 (en) * 2021-09-28 2023-04-06 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing

Similar Documents

Publication Publication Date Title
US11887221B2 (en) Systems and methods for image correction in positron emission tomography
US11564653B2 (en) Imaging systems and methods thereof
US11636634B2 (en) Systems and methods for positron emission tomography image reconstruction
CN107808379B (zh) 图像处理系统、方法、装置和计算机可读介质
US20210201066A1 (en) Systems and methods for displaying region of interest on multi-plane reconstruction image
US11915347B2 (en) Systems and methods for reconstructing cardiac images
WO2021136304A1 (en) Systems and methods for image processing
WO2021218214A1 (en) Systems and methods for generating three-dimensional images
US20230342939A1 (en) Systems and methods for image reconstruction and processing
US11995745B2 (en) Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction
CN109077745B (zh) 用于运动信号校正的系统和方法
US20230237665A1 (en) Systems and methods for image segmentation
US20220392073A1 (en) Systems and methods for medical imaging
CN113989231A (zh) 动力学参数的确定方法、装置、计算机设备和存储介质
CN113822298A (zh) 一种时间活度曲线提取方法和系统
CN111161371B (zh) 成像系统和方法
US11308610B2 (en) Systems and methods for machine learning based automatic bullseye plot generation
WO2023216057A1 (en) System and method for medical imaging
CN111369636A (zh) 一种图像重建方法、系统、装置及存储介质
CN113077474A (zh) 基于ct影像的床板去除方法、系统、电子设备及存储介质
US20240202993A1 (en) Methods and systems for image processing
US20230190216A1 (en) Systems and methods for correcting motion artifacts in images
WO2023123361A1 (en) Systems and methods for motion correction for a medical image
CN115861600B (zh) 一种spect图像的roi区域识别方法及系统
WO2024131791A1 (en) Systems and methods for myocardial information determination

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