CN114332273A - 散射校正方法、装置、电子设备及存储介质 - Google Patents
散射校正方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114332273A CN114332273A CN202111607762.4A CN202111607762A CN114332273A CN 114332273 A CN114332273 A CN 114332273A CN 202111607762 A CN202111607762 A CN 202111607762A CN 114332273 A CN114332273 A CN 114332273A
- Authority
- CN
- China
- Prior art keywords
- data
- scattering
- correction data
- distribution map
- scattering correction
- 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
Links
Images
Landscapes
- Nuclear Medicine (AREA)
Abstract
本发明提供了一种散射校正方法、装置、电子设备及存储介质，其方法包括：基于PET数据的能谱信息，获得至少两个数据子集；根据所述至少两个数据子集以及预设的散射估计模型确定初步散射校正数据。本发明根据至少两个数据子集以及预设的散射估计模型即可确定初步散射校正数据，减少了模型估计散射校正所需的迭代过程，提高了初步散射校正数据的获取速度，从而提高了散射校正效率。
Description
技术领域
本发明涉及散射校正技术领域，具体涉及一种散射校正方法、装置、电子设备及存储介质。
背景技术
随着医学成像技术的不断发展，为了更好的对人体进行检查，正电子发射型计算机断层显像技术应运而生。正电子发射型计算机断层显像(Positron EmissionComputedTomography，PET)，是医学影像领域比较先进的临床检查影像技术。但在PET扫描过程中，两个γ光子由于康普顿作用的影响，散射光子在损失能量的同时会偏离原本的运动方向，这种被探测器探测到的两个光子虽然来源于同一次正负电子湮灭事件，但其中至少一个光子与介质发生了一次或者多次散射，这样的事件被称为散射符合事件。散射符合事件会造成图像噪声严重、对比度差、定量分析不准确等问题，严重影响图像质量，因此现代PET成像中都需要对此进行散射校正。
目前业内的散射校正算法基本采用基于模型估计的散射校正方法，如单散射模拟算法，双散射模拟算法，以及蒙特卡罗模拟算法。基于模型估计的方法虽然较为精确，但其需要准确的放射性活度分布及衰减信息分布来进行模型计算，由于初始条件下，缺失准确的放射性活度分布信息，只能根据无散射校正的PET图像，经过多次迭代收敛，得到最终的准确估计，因此相对耗时较多。而随着PET系统轴向变长，模型估计算法所需计算量增加，尤其对双散射模拟算法和蒙特卡罗模拟算法，多次迭代会需要更多的计算时间。
发明内容
有鉴于此，有必要提供一种散射校正方法、装置、电子设备及存储介质，用以解决现有技术中存在的散射校正耗时长、效率低的技术问题。
一方面，本发明提供了一种散射校正方法，包括：
基于PET数据的能谱信息，获得至少两个数据子集；
根据所述至少两个数据子集以及预设的散射估计模型确定初步散射校正数据。
在一些可能的实现方式中，所述基于PET数据的能谱信息，获得至少两个数据子集，包括：
确定能量甄别上限值、能量甄别下限值、至少一个第一能量甄别阈值以及至少一个第二能量甄别阈值；
根据所述能量甄别上限值、能量甄别下限值、至少一个第一能量甄别阈值以及至少一个第二能量甄别阈值从所述PET数据的能谱信息中获得所述至少两个数据子集。
在一些可能的实现方式中，所述至少两个数据子集包括第一数据子集和第二数据子集；所述根据所述至少两个数据子集确定初步散射校正数据，包括：
确定所述第一数据子集中符合事件的事件计数量；
根据所述事件计数量以及所述预设的散射估计模型确定所述初步散射校正数据。
在一些可能的实现方式中，在确定所述初步散射校正数据之后，还包括：
基于预设的散射估计模型获取估计散射校正数据，并基于所述估计散射校正数据对所述初步散射校正数据进行优化，生成优化散射校正数据。
在一些可能的实现方式中，在确定所述初步散射校正数据之后，还包括：
根据所述初步散射校正数据和预设的图像重建算法，得到所述放射性活度分布图；
获取衰减信息分布图，并根据所述衰减信息分布图和所述放射性活度分布图对所述初步散射校正数据进行优化，生成优化散射校正数据。
在一些可能的实现方式中，在确定所述初步散射校正数据之后，还包括：
根据所述初步散射校正数据和预设的图像重建算法，得到放射性活度分布图；
构建深度学习网络，基于所述深度学习网络对所述放射性活度分布图进行优化，生成优化放射性活度分布图；
获取衰减信息分布图，并根据所述衰减信息分布图和所述优化放射性活度分布图对所述初步散射校正数据进行优化，生成优化散射校正数据。
在一些可能的实现方式中，所述根据所述衰减信息分布图和所述放射性活度分布图对所述初步散射校正数据进行优化，生成优化散射校正数据，包括：
根据所述衰减信息分布图和所述放射性活度分布图对所述初步散射校正数据进行优化，生成过渡散射校正数据；
判断对所述初步散射校正数据的优化次数是否大于阈值优化次数；
若所述优化次数大于所述阈值优化次数，则所述过渡散射校正数据为所述优化散射校正数据；
若所述优化次数小于或等于所述阈值优化次数，则根据所述衰减信息分布图和所述放射性活度分布图对所述过渡散射校正数据进行优化。
另一方面，本发明还提供了一种散射校正装置，包括：
数据子集获取单元，用于基于PET数据的能谱信息，获得至少两个数据子集；
散射校正单元，用于根据所述至少两个数据子集确定初步散射校正数据。
另一方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意实现方式中所述的散射校正方法中的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述任意实现方式中所述的散射校正方法中的步骤。
采用上述实施例的有益效果是：本发明提供的散射校正方法，基于PET数据的能谱信息，获得至少两个数据子集，根据至少两个数据子集及预设的散射估计模型即可确定初步散射校正数据，减少了模型估计散射校正所需的迭代过程，提高了初步散射校正数据的获取速度，从而提高了散射校正效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供散射符合事件的一个实施例示意图；
图2为本发明提供的散射校正方法的一个实施例流程示意图；
图3为本发明提供的一维能谱信息的一个实施例示意图；
图4为本发明提供的二维能谱信息的一个实施例示意图；
图5为本发明图2中S201的一个实施例流程示意图；
图6为本发明图2中S202的一个实施例流程示意图；
图7为本发明提供的对初步散射校正数据进行优化的一个实施例流程示意图；
图8为本发明提供的对初步散射校正数据进行优化的另一个实施例流程示意图
图9为本发明图7中S702的一个实施例流程示意图；
图10为本发明提供的散射校正装置的一个实施例结构示意图；
图11为本发明提供的电子设备的一个实施例结构示意图。
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。
在本发明实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。“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。
在本文中提及“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发明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。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种散射校正方法、装置、电子设备及存储介质，以下分别进行说明。
在展示实施例前，先对PET中的散射符合事件进行具体介绍。如图1所示，PET包括探测器环11，探测器环11包括多个探测器，在H点发生了一个湮灭事件，产生了一对γ光子L和R，L光子通过路程HA而飞行至探测器A，被探测器A记录；然而R光子在飞行过程中遇到了散射点S，在散射点S处发生康普顿散射，从而改变了飞行方向，到达探测器B被探测器B所记录。因此，如果不考虑所述散射符合事件，PET扫描设备会认为所述湮灭事件发生在探测器A和探测器B所在的响应线上，如果以这样的数据直接进行图像重建，获得的图像不够准确。
基于上述问题，本发明实施例提供了一种散射校正方法，如图2所示，该散射校正方法包括：
S201、基于PET数据的能谱信息，获得至少两个数据子集；
S202、根据至少两个数据子集以及预设的散射估计模型确定初步散射校正数据。
需要说明的是：在本发明的一些实施例中，PET数据的形式为列表模式(List-mode)数据，其记录了各个湮灭事件中光子的能量沉积位置、能量、探测事件等信息。
其中，步骤S202中的初步散射校正数据的呈现形式一般为散射校正弦图。
在本发明的一些实施例中，根据列表模式数据中的能量信息可以生成探测器探测能谱信息，符合探测器单端的能谱信息是如图3所示的一维能谱信息，符合探测器双端的能谱信息是如图4所示的二维能谱信息。一维能谱信息中的横坐标是单端探测器接收到的伽马射线能量值，纵坐标为符合事件的事件计数量；二维能谱信息中的横纵坐标表示双端探测器接收到的伽马射线能量值，其中横坐标为伽马射线打到一端探测器所接收到的能量值，纵坐标为伽马射线打到另一端探测器所接收到的能量值，点代表符合事件。
与现有技术相比，本发明实施例提供的散射校正方法，基于PET数据的能谱信息，获得至少两个数据子集，根据至少两个数据子集以及预设的散射估计模型即可确定初步散射校正数据，减少了模型估计散射校正所需的迭代过程，提高了初步散射校正数据的获取速度，从而提高了散射校正效率。
在本发明的一些实施例中，如图5所示，步骤S201包括：
S501、确定能量甄别上限值、能量甄别下限值、至少一个第一能量甄别阈值以及至少一个第二能量甄别阈值；
S502、根据能量甄别上限值、能量甄别下限值、至少一个第一能量甄别阈值以及至少一个第二能量甄别阈值从PET数据的能谱信息中获得至少两个数据子集。
本发明实施例通过确定能量甄别上限值、能量甄别下限值、至少一个第一能量甄别阈值以及至少一个第二能量甄别阈值，即可从能谱信息中划分出至少两个数据子集，提高了数据子集的划分速度，从而可进一步提高散射校正效率。
在本发明的一些实施例中，步骤S501中的能量甄别上限值和能量甄别下限值应当根据PET数据中的原始符合能窗范围进行确定。具体地：原始能窗符合范围的上边界和下边界分别为能量甄别上限值和能量甄别下限值，如图3和图4所示，ELLD为能量甄别下限值，EULD为能量甄别上限值。
在本发明的一些实施例中，步骤S501中的第一能量甄别阈值和第二能量甄别阈值应当根据PET探测真实符合事件的能量以及PET系统的能量分辨率确定。
在本发明的具体实施例中，PET探测真实符合事件的能量为511keV，PET系统的能量分辨率为12％，由于能量分辨率符合高斯分布，因此，其标准差δ为26keV，可第一能量甄别阈值为511-2*δ＝459keV，第二能量甄别阈值为511+2*δ＝563keV。如图3和图4所示，EA为第一能量甄别阈值；EB为第二能量甄别阈值。
且如图3和图4所示，至少两个数据子集分别为第一数据子集和第二数据子集，第一数据子集为ELLD<E<EA∪EB<E<EULD，第二数据子集为EA<E<EB。
即：第一数据子集包括一个较高的符合能窗ELLD<E<EA和一个较低的符合能窗EB<E<EULD。通过这一较高的符合能窗和较低的符合能窗，共同估计原始符合能窗内的符合散射事件。
在本发明的一些实施例中，如图6所示，步骤S202包括：
S601、确定第一数据子集中符合事件的事件计数量；
S602、根据事件计数量以及预设的散射估计模型确定初步散射校正数据。
在本发明的一些实施例中，步骤S601中的事件计数量包括ELLD<E<EA中的事件计数量和EB<E<EULD中的事件计数量。
在本发明的一些实施例中，步骤S602中的预设的散射估计模型包括一维散射估计模型和二维散射估计模型，具体地，一维散射估计模型为：
二维散射估计模型为：
式中，SC为第二数据子集内的散射符合事件估计，
为第一数据子集中符合事件的事件计数量。
经过上述实施例中的一维散射估计模型或二维散射估计模型，可获得第二数据子集内的散射符合事件估计，将第二数据子集内的散射符合事件估计与第一数据子集内的符合事件进行叠加，即可获得初步散射校正数据。
为了进一步减少计算步骤，提高散射校正的效率，在本发明的一些实施例中，散射估计模型可直接确定出初步散射校正数据，具体地，一维散射估计模型为：
二维散射估计模型为：
式中，SC1为初步散射校正数据。
由于上述各实施例是将第一数据子集中的全部符合事件用作散射符合事件的估计，以获得初步散射校正数据，而第一数据子集中的全部符合事件除了包括散射符合事件之外，还包括部分真实符合事件，基于此情况，为了进一步提高散射校正的准确性，在本发明的一些实施例中，在确定初步散射校正数据之后，散射校正方法还包括：
对初步散射校正数据进行优化，生成优化散射校正数据。
在本发明的一些实施例中，对初步散射校正数据进行优化，生成优化散射校正数据，包括：
基于预设的散射估计模型获得估计散射校正数据，并基于估计散射校正数据对初步散射校正数据进行优化，生成优化散射校正数据。
利用基于散射估计模型获取的估计散射校正数据对初步散射校正数据进行优化，可提高散射校正数据的准确性。
在本发明的具体实施例中，可根据估计散射校正数据确定经验修正模型，通过经验修正模型对初步散射校正数据进行优化。
例如：分别通过本发明实施例中的散射校正方法和散射估计模型估计出初步散射校正数据和估计散射校正数据，并确定初步散射校正数据和估计散射校正数据的差异，通过平滑拟合等方式确定初步散射校正数据的经验修正模型，通过经验修正模型对初步散射校正数据进行优化，生成优化散射校正数据。
除了上述实施例中的对初步散射校正数据进行优化的方法，在本发明的另外一些实施例中，如图7所示，对初步散射校正数据进行优化，生成优化散射校正数据的方法，还可包括：
S701、根据初步散射校正数据和预设的图像重建算法，得到放射性活度分布图；
S702、获取衰减信息分布图，并根据衰减信息分布图和放射性活度分布图对初步散射校正数据进行优化，生成优化散射校正数据。
在本发明的一些实施例中，步骤S701中预设的图像重建算法可以为：滤波反投影(Filtered Back-projection，FBP)重建算法、有序子集最大期望值法(Ordered SubsetExpectation Maximum，OSEM)重建算法中的任意一种。
在本发明的一些实施例中，步骤S702中的衰减信息分布图可以是预先存储在存储介质中，当进行步骤S702时，直接从存储介质中调取，也可以是在进行步骤S702时，实时生成并获得衰减信息分布图。
在本发明的一个具体实施例中，衰减信息分布图可由过电子计算机X射线断层扫描(Computed Tomography，CT)或核共振(Magnetic Resonance，MR)扫描的方式获得。
在本发明的一些实施例中，步骤S702中根据衰减信息分布图和放射性活度分布图对初步散射校正数据进行优化，具体为：
通过预设的模型估计算法，根据衰减信息分布图、放射性活度分布图和预设的模型估计算法对初步散射校正数据进行优化。
其中，预设的模型估计算法包括但不限于单散射模拟算法(Single ScatterSimulation，SSS)、双散射模拟算法法(DoubleScatter Simulation，DSS)以及蒙特卡罗模拟算法法(Monte Carlo Simulation，MCS)。
为了提高步骤S701中获得的放射性活度分布图的准确性，在本发明的一些实施例中，步骤S701还可具体为：通过结合飞行时间(Time-Of-Flight，TOF)信息的图像重建算法获得放射性活度分布图，以提高放射性活度分布图的准确性。
在本发明的一些实施例中，为了降低由于放射性活度分布图的不准确导致优化散射校正数据的不准确，在本发明的一些实施例中，如图8所示，对初步散射校正数据进行优化，生成优化散射校正数据的方法，还可包括：
S801、根据初步散射校正数据和预设的图像重建算法，得到放射性活度分布图；
S802、构建深度学习网络，基于深度学习网络对放射性活度分布图进行优化，生成优化放射性活度分布图；
S803、获取衰减信息分布图，并根据衰减信息分布图和优化放射性活度分布图对初步散射校正数据进行优化，生成优化散射校正数据。
本发明实施例通过对放射性活度分布图进行优化，可进一步提高散射校正数据的可靠性。
应当理解的是：在基于深度学习网络对放射性活度分布图进行优化之前，应当通过训练样本对深度学习网络进行训练，将训练好后的深度学习网络用于对放射性活度分布图进行优化。
在本发明的一些实施例中，如图9所示，步骤S702还包括：
S901、根据衰减信息分布图和放射性活度分布图对初步散射校正数据进行优化，生成过渡散射校正数据；
S902、判断对初步散射校正数据的优化次数是否大于阈值优化次数；
S903、若优化次数大于阈值优化次数，则过渡散射校正数据为优化散射校正数据；
S904、若优化次数小于或等于阈值优化次数，则根据衰减信息分布图和放射性活度分布图对过渡散射校正数据进行优化。
在本发明的一些实施例中，步骤S902中的阈值优化次数为大于1的正整数。其中，阈值优化次数的具体值应当根据准确度和速度的要求进行调整。
具体地：当对优化散射数据的准确度要求较高时，可将阈值优化次数设置为较大的数，当对优化散射数据的速度要求较高时，可将阈值优化次数设置为较小的数，阈值优化次数的具体值在此不做限定。
为了更好实施本发明实施例中的散射校正方法，在散射校正方法基础之上，对应的，如图10所示，本发明实施例还提供了一种散射校正装置，散射校正装置1000包括：
数据子集获取单元1001，用于基于列表模式数据的能谱信息，获得至少两个数据子集；
散射校正单元1002，用于根据至少两个数据子集确定初步散射校正数据。
上述实施例提供的散射校正装置1000可实现上述散射校正方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述散射校正方法实施例中的相应内容，此处不再赘述。
如图11所示，本发明还相应提供了一种电子设备1100。该电子设备1100包括处理器1101、存储器1102及显示器1103。图11仅示出了电子设备1100的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器1102在一些实施例中可以是电子设备1100的内部存储单元，例如电子设备1100的硬盘或内存。存储器1102在另一些实施例中也可以是电子设备1100的外部存储设备，例如电子设备1100上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，存储器1102还可既包括电子设备1100的内部储存单元也包括外部存储设备。存储器1102用于存储安装电子设备1100的应用软件及各类数据。
处理器1101在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行存储器1102中存储的程序代码或处理数据，例如本发明中的散射校正方法。
显示器1103在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器1103用于显示在电子设备1100的信息以及用于显示可视化的用户界面。电子设备1100的部件1101-1103通过系统总线相互通信。
在一实施例中，当处理器1101执行存储器1102中的散射校正程序时，可实现以下步骤：
基于PET数据的能谱信息，获得至少两个数据子集；
根据至少两个数据子集确定初步散射校正数据。
应当理解的是：处理器1101在执行存储器1102中的散射校正程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备1100的类型不做具体限定，电子设备1100可以为手机、平板电脑、个人数字助理(personal digitalassistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备1100也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的散射校正方法步骤或功能。
本发明实施例提供的散射校正方法、装置、电子设备及存储介质，基于列表模式数据的能谱信息，获得至少两个数据子集，根据至少两个数据子集即可确定初步散射校正数据，减少了模型估计散射校正所需的迭代过程，提高了初步散射校正数据的获取速度，从而提高了散射校正效率。
进一步地，本发明实施例通过设置多种对初步散射校正数据进行优化的方法，生成优化散射校正数据，可提高散射校正数据的准确性。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件(如处理器，控制器等)来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的散射校正方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种散射校正方法，其特征在于，包括：
基于PET数据的能谱信息，获得至少两个数据子集；
根据所述至少两个数据子集以及预设的散射估计模型确定初步散射校正数据。
2.根据权利要求1所述的散射校正方法，其特征在于，所述基于PET数据的能谱信息，获得至少两个数据子集，包括：
确定能量甄别上限值、能量甄别下限值、至少一个第一能量甄别阈值以及至少一个第二能量甄别阈值；
根据所述能量甄别上限值、能量甄别下限值、至少一个第一能量甄别阈值以及至少一个第二能量甄别阈值从所述PET数据的能谱信息中获得所述至少两个数据子集。
3.根据权利要求1所述的散射校正方法，其特征在于，所述至少两个数据子集包括第一数据子集和第二数据子集；所述根据所述至少两个数据子集确定初步散射校正数据，包括：
确定所述第一数据子集中符合事件的事件计数量；
根据所述事件计数量以及所述预设的散射估计模型确定所述初步散射校正数据。
4.根据权利要求1所述的散射校正方法，其特征在于，在确定所述初步散射校正数据之后，还包括：
基于预设的散射估计模型获得估计散射校正数据，并基于所述估计散射校正数据对所述初步散射校正数据进行优化，生成优化散射校正数据。
5.根据权利要求1所述的散射校正方法，其特征在于，在确定所述初步散射校正数据之后，还包括：
根据所述初步散射校正数据和预设的图像重建算法，得到放射性活度分布图；
获取衰减信息分布图，并根据所述衰减信息分布图和所述放射性活度分布图对所述初步散射校正数据进行优化，生成优化散射校正数据。
6.根据权利要求1所述的散射校正方法，其特征在于，在确定所述初步散射校正数据之后，还包括：
根据所述初步散射校正数据和预设的图像重建算法，得到放射性活度分布图；
构建深度学习网络，基于所述深度学习网络对所述放射性活度分布图进行优化，生成优化放射性活度分布图；
获取衰减信息分布图，并根据所述衰减信息分布图和所述优化放射性活度分布图对所述初步散射校正数据进行优化，生成优化散射校正数据。
7.根据权利要求5所述的散射校正方法，其特征在于，所述根据所述衰减信息分布图和所述放射性活度分布图对所述初步散射校正数据进行优化，生成优化散射校正数据，包括：
根据所述衰减信息分布图和所述放射性活度分布图对所述初步散射校正数据进行优化，生成过渡散射校正数据；
判断对所述初步散射校正数据的优化次数是否大于阈值优化次数；
若所述优化次数大于所述阈值优化次数，则所述过渡散射校正数据为所述优化散射校正数据；
若所述优化次数小于或等于所述阈值优化次数，则根据所述衰减信息分布图和所述放射性活度分布图对所述过渡散射校正数据进行优化。
8.一种散射校正装置，其特征在于，包括：
数据子集获取单元，用于基于PET数据的能谱信息，获得至少两个数据子集；
散射校正单元，用于根据所述至少两个数据子集以及预设的散射估计模型确定初步散射校正数据。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任意一项所述的散射校正方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的散射校正方法中的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111607762.4A CN114332273A (zh) | 2021-12-24 | 2021-12-24 | 散射校正方法、装置、电子设备及存储介质 |
| PCT/CN2022/141631 WO2023116922A1 (en) | 2021-12-24 | 2022-12-23 | Systems and methods for positron emission tomography imaging |
| US18/415,573 US20240153166A1 (en) | 2021-12-24 | 2024-01-17 | Systems and methods for positron emission tomography imaging |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111607762.4A CN114332273A (zh) | 2021-12-24 | 2021-12-24 | 散射校正方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332273A true CN114332273A (zh) | 2022-04-12 |
Family
ID=81013745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111607762.4A Pending CN114332273A (zh) | 2021-12-24 | 2021-12-24 | 散射校正方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332273A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023116922A1 (en) * | 2021-12-24 | 2023-06-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for positron emission tomography imaging |
-
2021
- 2021-12-24 CN CN202111607762.4A patent/CN114332273A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023116922A1 (en) * | 2021-12-24 | 2023-06-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for positron emission tomography imaging |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097611B (zh) | 图像重建方法、装置、设备及存储介质 | |
| CN110151210B (zh) | 一种医学图像处理方法、系统、装置和计算机可读介质 | |
| US10319118B2 (en) | Reconstructing PET image | |
| RU2413245C2 (ru) | Обработка изображений позитронно-эмиссионной томографии с использованием анатомической маски режима списка | |
| US8913810B2 (en) | Simultaneous reconstruction of emission activity and attenuation coefficient distribution from TOF data, acquired with external shell source | |
| EP2844148B1 (en) | Attenuation map with scattered coincidences in positron emission tomography | |
| EP2984631B1 (en) | Method for modeling and accounting for cascade gammas in images | |
| JP2015522803A (ja) | Ｐｅｔ再構成における迅速な散乱推定 | |
| WO2013177661A1 (en) | Systems and methods for improving the quality of images in a pet scan | |
| US11234667B2 (en) | Scatter correction using emission image estimate reconstructed from narrow energy window counts in positron emission tomography | |
| Kösters et al. | EMRECON: An expectation maximization based image reconstruction framework for emission tomography data | |
| CN110415310B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| Berthon et al. | Influence of cold walls on PET image quantification and volume segmentation: a phantom study | |
| CN110023999A (zh) | 发射和透射断层摄影中的交互式目标超快重建 | |
| WO2008075037A1 (en) | Method of and software for calculating a scatter estimate for tomographic scanning and system for tomographic scanning | |
| Cade et al. | Use of measured scatter data for the attenuation correction of single photon emission tomography without transmission scanning | |
| US20180089862A1 (en) | Reconstructing image | |
| McGurk et al. | Combining multiple FDG‐PET radiotherapy target segmentation methods to reduce the effect of variable performance of individual segmentation methods | |
| CN114332273A (zh) | 散射校正方法、装置、电子设备及存储介质 | |
| Barrett | Is there a role for image science in the brave new world of artificial intelligence? | |
| Cheng et al. | Maximum likelihood activity and attenuation estimation using both emission and transmission data with application to utilization of Lu‐176 background radiation in TOF PET | |
| Wells et al. | Feasibility of attenuation map alignment in pinhole cardiac SPECT using exponential data consistency conditions | |
| Mesquita et al. | Choosing the ART relaxation parameter for Clear-PEM 2D image reconstruction | |
| US20140050380A1 (en) | Apparatus and method for generating medical image using linear gamma ray source | |
| EP3243187B1 (en) | Method for determining the short axis in a lesion region in a three dimensional medical image |
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 |