CN114373029A - 一种pet图像的运动校正方法和系统 - Google Patents

Abstract

本说明书实施例提供一种PET图像的运动校正系统，该系统包括第一确定模块，用于基于扫描图像确定至少一个体素的初始时间活度曲线；校正模块，用于基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线；第一图像确定模块，用于基于所述校正时间活度曲线确定参数图像；或所述系统包括：第一确定模块，用于基于扫描图像确定至少一个体素的初始时间活度曲线；第二图像确定模块，用于将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像。

Description

一种PET图像的运动校正方法和系统

技术领域

本说明书涉及数据处理技术领域，特别涉及一种PET图像的运动校正方法和系统。

背景技术

PET成像设备扫描时间较长，被扫描对象容易在扫描过程中发生运动。运动形变不仅影响图像质量，而且影响药物代谢动力学分析的准确性。因此，有必要提供一种PET图像的运动校正方法和系统，以保证被扫描对象在扫描过程中的运动不会影响图像质量以及药物代谢动力学分析的准确性。

发明内容

本说明书实施例之一提供一种PET图像的运动校正方法。所述PET图像的运动校正方法包括：基于扫描图像确定至少一个体素的初始时间活度曲线；基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线；基于所述校正时间活度曲线确定参数图像；或所述方法包括：基于扫描图像确定至少一个体素的初始时间活度曲线；将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像。

在一些实施例中，所述将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像包括：将输入函数和所述初始时间活度曲线输入机器学习模型，确定动力学参数；基于所述动力学参数确定参数图像。

在一些实施例中，所述基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线包括：基于目标体素确定目标区域；基于所述扫描图像或所述目标区域内至少一个体素的所述初始时间活度曲线，通过机器学习模型确定目标体素的校正时间活度曲线。

在一些实施例中，所述将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像包括：对目标体素确定目标区域；基于所述输入函数和所述目标区域内至少一个体素的所述初始时间活度曲线，通过机器学习模型确定目标体素的动力学参数和/或参数图像。

在一些实施例中，所述目标区域包括位于中心位置的所述目标体素及与所述目标体素相邻的邻近体素。

在一些实施例中，所述机器学习模型的训练方法包括：基于运动校正后的参数图像获取校正时间活度曲线或动力学参数，所述时间活度曲线、所述动力学参数或所述参数图像作为训练数据的标签。

本说明书实施例之一提供一种PET图像的运动校正系统，包括：第一确定模块，用于基于扫描图像确定至少一个体素的初始时间活度曲线；校正模块，用于基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线；第一图像确定模块，用于基于所述校正时间活度曲线确定参数图像；或所述系统包括：第一确定模块，用于基于扫描图像确定至少一个体素的初始时间活度曲线；第二图像确定模块，用于将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像。

在一些实施例中，所述第二图像确定模块进一步用于：将输入函数和所述初始时间活度曲线输入机器学习模型，确定动力学参数；基于所述动力学参数确定参数图像。

本说明书实施例之一提供一种PET图像的运动校正装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现所述PET图像的运动校正方法。

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，计算机运行所述PET图像的运动校正方法。

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是根据本说明书一些实施例所示的PET图像的运动校正系统的应用场景示意图；

图2是根据本说明书一些实施例所示的PET图像的运动校正的系统模块图；

图3是根据本说明书一些实施例所示的一种PET图像的运动校正方法的示例性流程图；

图4是根据本说明书一些实施例所示的又一种PET图像的运动校正方法的示例性流程图；

图5是根据本说明书一些实施例所示的又一种PET图像的运动校正方法的示例性流程图；

图6是根据本说明书一些实施例所示的又一种PET图像的运动校正方法的示例性流程图；

图7是根据本说明书一些实施例所示的校正时间活度曲线获取的示例性流程图；

图8是根据本说明书一些实施例所示的动力学参数或参数图像获取的示例性流程图；

图9是根据本说明书一些实施例所示的机器学习模型训练的示意图；

图10是根据本说明书一些实施例所示的部分目标区域的立体示意图。

图中，1000为部分目标区域的立体示意图，1010为目标体素，1020为邻近体素。

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。

图1是根据本说明书一些实施例所示的PET图像的运动校正系统的应用场景100示意图。在一些实施例中，PET图像的运动校正场景100可以包括单模态系统或多模态系统。示例性单模系统可包括正电子发射断层摄影(PET)系统等。示例性多模态系统可包括计算机断层摄影-正电子发射断层摄影(CT-PET)系统，磁共振-正电子发射断层摄影(MR-PET)系统等。在一些实施例中，PET图像的运动校正场景100可包括用于执行PET图像的运动校正的模块和/或组件。

仅作为示例，如图1所示，PET图像的运动校正场景100可以包括参数获取设备110、处理设备120、存储设备130、终端140以及网络150。

参数获取设备110可以包括成像设备、介入医疗设备或其组合。成像设备可以获取与对象的至少一部分有关的扫描图像。对象可以是生物学的或非生物学的。例如，对象可以包括患者、人造物体等。作为另一个例子，对象可以包括患者的特定部分、器官和/或组织。例如，对象可包括头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等，或其任何组合。示例性成像设备可包括PET扫描仪。示例性介入医疗设备可包括放疗(RT)设备、超声治疗设备、热治疗设备、外科手术介入设备等，或其组合。

处理设备120可以处理从参数获取设备110、终端140和/或存储设备130获得的数据和/或信息。例如，处理设备120可以通过处理由参数获取设备110获取的扫描图像来执行PET图像的运动校正。

在一些实施例中，处理设备120可以基于与PET图像的运动校正相对应的一个或以上模型来执行PET图像的运动校正。例如，处理设备120可以基于第一模型获得初始时间活度曲线。作为另一示例，处理设备120可以使用机器学习模型获得运动校正后的校正时间活度曲线。

存储设备130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130可以存储从终端140和/或处理设备120获得的数据。数据可以包括由处理设备120获取的扫描图像、用于处理扫描图像的模型、与处理设备120的组件有关的信息等。例如，存储设备130可以存储由参数获取设备110获取的扫描图像。作为另一示例，存储设备130可以存储用于处理扫描图像的一个或以上模型。

在一些实施例中，存储设备130可以与网络150连接，以便与PET图像的运动校正场景100的一个或以上其他组件(例如，处理设备120、终端140等)进行通信。PET图像的运动校正场景100的一个或以上组件可以通过网络150访问存储在存储设备130中的数据或指令。在一些实施例中，存储设备130可以是所述处理设备120的一部分。

终端140可以包括移动设备140-1、平板电脑140-2、笔记本电脑140-3等，或其任意组合。在一些实施例中，终端140可以是处理设备120的一部分。

在一些实施例中，终端140可以经由用户界面向处理设备120发送和/或接收与PET图像的运动校正有关的信息。在一些实施例中，用户界面可以是用于在终端140上实现的PET图像的运动校正的应用程序的形式。用户界面可以被配置为促进终端140和与终端140相关的用户之间的通信。在一些实施例中，用户界面可以通过，例如，用户界面屏幕，从用户接收用于执行PET图像的运动校正的请求的输入。终端140可以经由用户界面将用于执行PET图像的运动校正的请求发送到处理设备120，以便获取动力学相关参数。

网络150可以包括可促进PET图像的运动校正场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，参数获取设备110(例如，PET扫描仪)的一个或以上组件、终端140、处理设备120、存储设备130等可以经由网络150与PET图像的运动校正场景100的一个或以上其他组件传递信息和/或数据。

应当注意，PET图像的运动校正场景100的以上描述仅出于说明的目的而提供，并不旨在限制本实施例的范围。对于本领域普通技术人员，可以在本实施例的教导下进行多种变化和修改。例如，可以根据具体的实施方案变化或改变PET图像的运动校正场景100的组装和/或功能。仅作为示例，可以将一些其他组件添加到PET图像的运动校正场景100中，例如可以向PET图像的运动校正场景100的一个或以上组件供电的电源模块，以及其他设备或模块。

图2是根据本说明书一些实施例所示的PET图像的运动校正的系统模块图。

在一些实施例中，所述PET图像的运动校正系统200可以包括第一确定模块210、校正模块220、第一图像确定模块230和第二图像确定模块240。

在一些实施例中，第一确定模块210，可以用于基于扫描图像确定至少一个体素的初始时间活度曲线。

在一些实施例中，校正模块220，可以用于基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线。

在一些实施例中，第一图像确定模块230，可以用于基于所述校正时间活度曲线确定参数图像。

在一些实施例中，第二图像确定模块240，可以用于将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像。

在一些实施例中，第二图像确定模块240可以进一步用于：将输入函数和所述初始时间活度曲线输入机器学习模型，确定动力学参数；基于所述动力学参数确定参数图像。

在一些实施例中，校正模块220可以进一步用于：对目标体素确定目标区域；基于所述目标区域内，目标体素及邻近体素的所述扫描图像或所述初始时间活度曲线，通过机器学习模型确定目标体素的校正时间活度曲线。

在一些实施例中，第二图像确定模块240可以进一步用于：对目标体素确定目标区域；基于所述目标区域内，目标体素及邻近体素的输入函数和所述初始时间活度曲线，通过机器学习模型确定目标体素的动力学参数或参数图像。

在一些实施例中，目标区域包括位于中心位置的所述目标体素及与所述目标体素相邻的邻近体素。

在一些实施例中，PET图像的运动校正系统200还可以包括训练模块(未示出)。在一些实施例中，训练模块与第一确定模块210(和/或校正模块220、第一图像确定模块230和第二图像确定模块240)可以部署在不同的处理设备或处理器(例如，服务器)上。

在一些实施例中，训练模块可以用于基于运动校正后的参数图像获取校正时间活度曲线或动力学参数，所述时间活度曲线、所述动力学参数或所述参数图像作为训练数据的标签。

在一些实施例中，PET图像的运动校正可以基于扫描图像确定校正时间活度曲线，接着基于校正时间活度曲线确定参数图像。关于此方法的具体细节，参见图3的内容，此处不再赘述。

在一些实施例中，PET图像的运动校正可以基于扫描图像确定至少一个体素的初始时间活度曲线，接着基于初始时间活度曲线确定校正时间活度曲线，进一步地基于校正时间活度曲线确定参数图像。关于此方法的具体细节，参见图4的内容，此处不再赘述。

在一些实施例中，PET图像的运动校正可以基于扫描图像确定至少一个体素的初始时间活度曲线，接着将输入函数和初始时间活度曲线输入机器学习模型，确定参数图像。关于此方法的具体细节，参见图5的内容，此处不再赘述。

在一些实施例中，PET图像的运动校正可以基于扫描图像确定至少一个体素的初始时间活度曲线，接着将输入函数和初始时间活度曲线输入机器学习模型，确定动力学参数，进一步地基于动力学参数确定参数图像。关于此方法的具体细节，参见图6的内容，此处不再赘述。

图3是根据本说明书一些实施例所示的一种PET图像的运动校正的方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，图3所示的过程300的一个或一个以上操作可以在图1所示的PET图像的运动校正场景100中实现。例如，图3所示的过程300可以以指令的形式存储在存储设备130中，并由处理设备120调用和/或执行。

步骤310，基于扫描图像确定校正时间活度曲线。步骤310可以由校正模块220执行。

扫描图像是通过PET扫描获取的图像。在一些实施例中，扫描图像可以是扫描头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等的图像。

时间活度曲线(TAC)是以时间为横坐标，以活度浓度为纵坐标的曲线。在一些实施例中，时间活动曲线可以包括血浆/血液时间活度曲线(BTAC)和组织时间活度曲线(TTAC)。

在一些实施例中，时间活度曲线可以基于扫描图像中的感兴趣区域(VOI)获得。感兴趣区域(VOI)是指扫描图像中的感兴趣的区域，扫描图像可以是通过CT扫描或PET扫描获取的图像。在一些实施例中，感兴趣区域可以是与心脏或动脉相关联的区域。例如，心脏血池、动脉血池等。感兴趣区域可以是二维或三维区域，其每个像素或体素的值反映待扫描对象在对应位置的活性浓度。感兴趣区域可以是每帧扫描图像中的一个固定的区域，多帧扫描图像中的固定区域可以提供一个动态的区域数据变化。在一些实施例中，感兴趣区域可以基于CT扫描获取的CT图像确定，或者基于PET扫描获取的PET图像确定。例如，从拍摄心脏的CT图像中可以将相应的具有血池的区域作为感兴趣区域。在一些实施例中，感兴趣区域还可以由基于CT图像确定的感兴趣区域对应映射到PET图像上获得。

时间活度曲线可以通过各种可行的方式获得，例如采血分析(金标准)，基于图像的输入函数(image-derived input function,IDIF)，基于群体的输入函数(population-based input function,PBIF)等。对于每一个体素，都存在多帧的扫描图像对应的活度浓度，其可以画出一条该体素的活度浓度在不同帧中随时间变化的曲线。

校正时间活度曲线是进行运动校正后的时间活度曲线。运动校正是校正由于被扫描对象运动而造成的偏差的方法。在一些情况下，由于扫瞄期间被扫瞄对象可能发生运动，可能造成初始时间活度曲线不够准确。通过运动校正确定校正时间活度曲线，可以得到效果更好的信息。

在一些实施例中，基于扫描图像确定校正时间活度曲线可以通过校正算法或机器学习模型完成。

在一些实施例中，可以对扫描图像进行运动探测和运动校正来确定校正时间活度曲线。运动探测方法是通过外部设备或者数据驱动(Data-driven)，获取运动变形场。运动校正方法是基于图像进行运动变形，或者将变形场加入图像重建过程中，实现运动校正。

机器学习模型是指可以对扫描图像进行运动校正以输出运动校正后的校正时间活度曲线的处理模块。在一些实施例中，机器学习模型可以基于对深度学习神经网络的训练获取，关于机器学习模型的训练说明参见图9。

在一些实施例中，机器学习模型可以基于深度学习神经网络模型构建。示例性深度学习神经网络模型可以包括卷积机器学习模型(CNN)、完全卷积神经网络(FCN)模型、生成对抗性网络(GAN)、反向传播(BP)机器学习模型、径向基函数(RBF)机器学习模型、深度信念网络(DBN)、Elman机器学习模型等或其组合，关于机器学习模型的其他类型说明参见图7。

在一些实施例中，机器学习模型的输入为扫描图像。

在一些实施例中，机器学习模型的输出为校正时间活度曲线。关于基于机器学习模型获取校正时间活度曲线的更多实施例参见图7。

步骤320，基于校正时间活度曲线确定参数图像。步骤320可以由第一图像确定模块230执行。

参数图像是反映被扫瞄对象在对应位置的参数信息的图像。在一些实施例中，参数图像可以是房室模型中的速率常数参数图像。例如，表示血浆到组织的速率常数K1。在一些实施例中，参数图像可以是基于房室模型计算的综合性参数。例如，表示净代谢速率的Ki，或者是结合潜能BP等。

在一些实施例中，可以基于输入函数和校正时间活度曲线通过动力学模型获得校正后的动力学参数。模型的输入可以包括输入函数和校正时间活度曲线。输出为校正后的动力学参数。关于输入函数的具体细节，参见本说明书下文步骤520，此处不再赘述。接着，基于校正后的动力学参数确定参数图像。关于基于校正后的动力学参数确定参数图像的具体细节，参见本说明书下文步骤630，此处不再赘述。

与受限于感兴趣区域的TAC分析相比，参数图像可以获取全图的动力学分析结果。另外，通过对扫描图像进行运动校正，校正了扫描过程中由于主体运动而产生的误差，提高了确定的参数图像的准确度，从而提高动力学分析结果的准确性。并且，直接采用扫描图像作为输入函数，处理步骤较少，提高了运算速度。

图4是根据本说明书一些实施例所示的又一种PET图像的运动校正的方法的示例性流程图。如图4所示，流程400包括下述步骤。在一些实施例中，图4所示的过程400的一个或一个以上操作可以在图1所示的PET图像的运动校正场景100中实现。例如，图4所示的过程400可以以指令的形式存储在存储设备130中，并由处理设备120调用和/或执行。

步骤410，基于扫描图像确定至少一个体素的初始时间活度曲线。步骤410可以由第一确定模块210执行。

体素是三维扫描图像中最小单元的可分辨的元素(voxel)。在一些实施例中，体素的空间位置特征可以用于图像分割过程。

初始时间活度曲线运动校正前的时间活度曲线。

确定初始时间活度曲线的方式很多，例如采血分析(金标准)，基于图像的输入函数(image-derived input function,IDIF)，基于群体的输入函数(population-basedinput function,PBIF)等。

在一些实施例中，初始时间活度曲线还可以通过第一模型获得。第一模型是指可以对获取到的扫描图像进行运算以输出扫描图像中各体素的初始时间活度曲线的处理模块。在一些实施例中，第一模型为机器学习模型。例如，可以是卷积机器学习模型(CNN)、完全卷积神经网络(FCN)模型、生成对抗性网络(GAN)中的至少一种。在一些实施例中，第一模型还可以是其他模型，具体可视实际需求确定。

步骤420，基于初始时间活度曲线确定校正时间活度曲线。步骤420可以由校正模块420执行。

在一些实施例中，基于初始时间活度曲线确定校正时间活度曲线可以通过校正算法或机器学习模型完成。

在一些实施例中，可以对初始时间活度曲线进行运动探测和运动校正来确定校正时间活度曲线。运动探测方法是通过外部设备或者数据驱动(Data-driven)，获取运动变形场。运动校正方法是基于图像进行运动变形，或者将变形场加入图像重建过程中，实现运动校正。

机器学习模型是指可以对初始时间活度曲线进行运动校正以输出运动校正后的校正时间活度曲线的处理模块。在一些实施例中，机器学习模型可以基于对深度学习神经网络的训练获取，关于机器学习模型的训练说明参见图9。

在一些实施例中，机器学习模型可以基于深度学习神经网络模型构建。示例性深度学习神经网络模型可以包括卷积机器学习模型(CNN)、完全卷积神经网络(FCN)模型、生成对抗性网络(GAN)、反向传播(BP)机器学习模型、径向基函数(RBF)机器学习模型、深度信念网络(DBN)、Elman机器学习模型等或其组合，关于机器学习模型的其他类型说明参见图7。

在一些实施例中，机器学习模型的输入为初始时间活度曲线。初始时间活度曲线是以整条曲线的形式输入机器学习模型。

在一些实施例中，机器学习模型的输出为校正时间活度曲线。关于基于机器学习模型获取校正时间活度曲线的更多实施例参见图7。

步骤430，基于校正时间活度曲线确定参数图像。步骤430可以由第一图像确定模块230执行。

步骤430与本说明书中步骤320一致，关于步骤430的具体细节，参见本说明书上文步骤320，此处不再赘述。

通过对初始时间活度曲线进行运动校正，校正了扫描过程中由于主体运动而产生的误差，提高了确定的参数图像的准确度。

图5是根据本说明书一些实施例所示的又一种PET图像的运动校正的方法的示例性流程图。如图5所示，流程500包括下述步骤。在一些实施例中，图5所示的过程500的一个或一个以上操作可以在图1所示的PET图像的运动校正场景100中实现。例如，图5所示的过程500可以以指令的形式存储在存储设备130中，并由处理设备120调用和/或执行。

步骤510，基于扫描图像确定至少一个体素的初始时间活度曲线。步骤510可以由第一确定模块210执行。

步骤510与本说明书中步骤410一致，关于步骤510的具体细节，参见本说明书上文步骤410，此处不再赘述。

步骤520，将输入函数和初始时间活度曲线输入机器学习模型，确定参数图像。步骤520可以由第二图像确定模块240执行。

输入函数(input function)是人体血浆活度浓度随时间变化的曲线。在一些实施例中，输入函数可以通过采血的方式获取，例如，扫描过程中，在不同时间点采集人的血样，基于血样的数据获得输入函数。在一些实施例中，输入函数还可以从动态图像中获取，例如，先获取动态图像，再选取血池VOI，再获取VOI内部的时间活度曲线(Time activitycurve,TAC)进行相关校正(例如，血浆/全血比例校正、metabolize rate校正、部分容积校正等)后作为输入函数。在一些实施例中输入函数还可以通过使用部分群体的输入函数补全完整的输入函数获取。

机器学习模型是指可以对输入函数和初始时间活度曲线进行运动校正以输出运动校正后的参数图像的处理模块。在一些实施例中，机器学习模型可以基于对深度学习神经网络的训练获取，关于机器学习模型的训练说明参见图9。

在一些实施例中，机器学习模型可以基于深度学习神经网络模型构建。示例性深度学习神经网络模型可以包括卷积机器学习模型(CNN)、完全卷积神经网络(FCN)模型、生成对抗性网络(GAN)、反向传播(BP)机器学习模型、径向基函数(RBF)机器学习模型、深度信念网络(DBN)、Elman机器学习模型等或其组合，关于机器学习模型的其他类型说明参见图8。

在一些实施例中，机器学习模型的输入为输入函数和初始时间活度曲线。

在一些实施例中，机器学习模型的输出为运动校正后的参数图像。关于基于机器学习模型获取运动校正后的参数图像的更多实施例参见图8。

通过对初始时间活度曲线进行运动校正，校正了扫描过程中由于主体运动而产生的误差，提高了确定的参数图像的准确度。并且，直接输出参数图像，处理步骤较少，提高了运算速度。

图6是根据本说明书一些实施例所示的又一种PET图像的运动校正的方法的示例性流程图。如图6所示，流程600包括下述步骤。在一些实施例中，图6所示的过程600的一个或一个以上操作可以在图1所示的PET图像的运动校正场景100中实现。例如，图6所示的过程600可以以指令的形式存储在存储设备130中，并由处理设备120调用和/或执行。

步骤610，基于扫描图像确定至少一个体素的初始时间活度曲线。步骤610可以由第一确定模块210执行。

步骤610与本说明书中步骤410一致，关于步骤610的具体细节，参见本说明书上文步骤410，此处不再赘述。

步骤620，将输入函数和初始时间活度曲线输入机器学习模型，确定动力学参数。步骤620可以由第二图像确定模块240执行。

在一些实施例中，每个体素均具有一个参数值，该参数值可以呈现示踪剂动力学的动力学参数(也称为生理参数)的值。动力学参数可以被配置用于呈现注射到样本中的示踪剂的代谢。示例性动力学相关参数可包括示踪剂的灌注速率、示踪剂的受体结合潜力、示踪剂在血浆中的分布、示踪剂在样本中的分布、示踪剂从血浆到组织的传输速率(即k1)、示踪剂从组织到血浆的传输速率(即k2)等，或其任何组合，通过前述的分布值、速率值等，可以进一步反映出样本的局部血液流量、新陈代谢速度和物质转运速率等。

机器学习模型是指可以对输入函数和初始时间活度曲线进行运动校正以输出运动校正后的动力学参数的处理模块。在一些实施例中，机器学习模型可以基于对深度学习神经网络的训练获取，关于机器学习模型的训练说明参见图9。

在一些实施例中，机器学习模型可以基于深度学习神经网络模型构建。示例性深度学习神经网络模型可以包括卷积机器学习模型(CNN)、完全卷积神经网络(FCN)模型、生成对抗性网络(GAN)、反向传播(BP)机器学习模型、径向基函数(RBF)机器学习模型、深度信念网络(DBN)、Elman机器学习模型等或其组合，关于机器学习模型的其他类型说明参见图8。

在一些实施例中，机器学习模型的输入为输入函数和初始时间活度曲线。

在一些实施例中，机器学习模型的输出为运动校正后的动力学参数。关于基于机器学习模型获取运动校正后的动力学参数的更多实施例参见图8。

步骤630，如何基于动力学参数确定参数图像。步骤630可以由第二图像确定模块240执行。

在一些实施例中，还可以基于传统迭代算法，基于动力学参数确定参数图像。

在一些实施例中，可以通过深度学习模型实现参数图像的确定。

在一些实施例中，深度学习模型可以基于动力学参数获得参数图像。在一些实施例中，深度学习模型可以是CNN模型。在一些实施例中，深度学习模型的输入可以是动力学参数，深度学习模型的输出可以是参数图像。

在一些实施例中，深度学习模型可以通过多个有标签的训练样本得到。在一些实施例中，训练样本至少可以包括动力学参数。标签可以包括参数图像。其中，标签可以通过历史数据获得。

通过对初始时间活度曲线进行运动校正，校正了扫描过程中由于主体运动而产生的误差，提高了确定的参数图像的准确度。

图7是根据本说明书一些实施例所示的根据本说明书一些实施例所示的校正时间活度曲线获取的示例性流程图。如图7所示，流程700包括下述步骤。在一些实施例中，图7所示的过程700的一个或一个以上操作可以在图1所示的PET图像的运动校正场景100中实现。例如，图7所示的过程700可以以指令的形式存储在存储设备130中，并由处理设备120调用和/或执行。

步骤710，对目标体素确定目标区域。步骤710可以由校正模块220执行。

目标体素是需要校正的三维图像中的一个单元。例如在特定分辨率下的一个像素，或者按特定尺度的空间等。在一些实施例中，需要校正的感兴趣区域(VOI)中的每一个体素都可以作为目标体素。

目标区域是包括目标体素的若干体素的集合。在一些实施例中，目标区域可以包括位于中心位置的目标体素及与目标体素相邻的邻近体素。

在一些实施例中，目标区域是以目标体素为中心的立方体。例如，图10是根据本说明书一些实施例所示的部分目标区域的立体示意图，该目标区域为3×3×3个体素组成的，其中，中心体素1010即为目标体素，一个目标区域内除中心体素1010外的其他体素1020即为邻近体素。

在一些实施例中，可以基于目标体素确定目标区域。例如，确定图像(尺寸为X×Y×Z)的目标体素，以该目标体素为中心，分割出以目标体素为中心的目标区域，目标区域尺寸为X₁×Y₁×Z₁，其中X₁≤X，Y₁≤Y，Z₁≤Z。

目标区域的大小是指组成目标区域的体素的个数。例如，如图10所示，目标区域的大小为27个体素组成。在一些实施例中，目标区域的大小是基于被扫描对象的运动幅度确定的。处理设备可以基于运动幅度按预设规则确定目标区域的大小。在一些实施例中，运动幅度可以通过传统算法(例如，COD算法)确定被扫描对象的运动幅度。在一些实施例中，运动幅度也可以通过运动探测或运动监测系统确定。

在一些实施例中，目标区域的大小与运动幅度在一定范围内正相关。例如，被扫描对象的运动幅度较大，目标区域的选择可以相对较大，以保证校正效果。又例如，被扫描对象的运动幅度较小，目标区域的选择可以相对较小，以加快校正速度，或者避免无关数据的干扰。

步骤720，基于目标区域内，目标体素及邻近体素的扫描图像或初始时间活度曲线，通过机器学习模型确定目标体素的校正时间活度曲线。步骤720可以由校正模块220执行。

在一些实施例中，处理设备120可以将目标区域内各体素的扫描图像或初始时间活度曲线输入到训练后的机器学习模型中，机器学习模型可以基于输入的目标区域内各体素的扫描图像或初始时间活度曲线输出目标体素的校正时间活度曲线。例如，如图10所示，处理设备120可以将目标区域内的目标体素1010和邻近体素1020的扫描图像或初始时间活度曲线输入到训练后的机器学习模型中，机器学习模型可以基于对输入的目标区域内各体素的扫描图像或初始时间活度曲线的校正处理输出目标体素1010的校正时间活度曲线。

在一些实施例中，机器学习模型可以基于训练获得，关于机器学习模型的训练说明参见图9。

在一些实施例中，机器学习模型可以包括循环神经网络机器学习模型(RNN)。在一些实施例中，机器学习模型可以包括长短期记忆网络机器学习模型(LSTM)。

对于基于时间序列的模型，输入特征可以构成一个序列，每一帧数据对应的特征可以构成序列中的一个元素。

当选取循环神经网络机器学习模型(RNN)或长短期记忆网络机器学习模型(LSTM)时，目标区域内各体素的多帧扫描图像中的初始时间活度曲线是按照预设顺序(如一行行或一列列)输入的。当选取卷积机器学习模型(CNN)时，首先需要把目标区域内各体素的多帧扫描图像中的初始时间活度曲线按照预设顺序进行拼接，然后将拼接后的初始时间活度曲线再输入模型。其中，采用循环神经网络机器学习模型(RNN)、长短期记忆网络机器学习模型(LSTM)可以体现出前后的关联影响。

在获取校正时间活度曲线时，是分别将各个体素作为中心体素(即目标体素)建立目标区域，并将中心体素与其邻近体素的扫描图像或初始时间活度曲线均输入模型进行分析，以得到结合邻近体素与中心体素的扫描图像或初始时间活度曲线的相互关联的校正结果，显著提升了校正时间活度曲线的准确度。

图8是根据本说明书一些实施例所示的参数图像获取的示例性流程图。如图8所示，流程800包括下述步骤。在一些实施例中，图8所示的过程800的一个或一个以上操作可以在图1所示的PET图像的运动校正场景100中实现。例如，图8所示的过程800可以以指令的形式存储在存储设备130中，并由处理设备120调用和/或执行。

步骤810，对目标体素确定目标区域。步骤810可以由第二图像确定模块240执行。

步骤810与本说明书中步骤710一致，关于步骤810的具体细节，参见本说明书上文步骤710，此处不再赘述。

步骤820，基于目标区域内，目标体素及邻近体素的输入函数和初始时间活度曲线，通过机器学习模型确定目标体素的动力学参数或参数图像。步骤820可以由第二图像确定模块240执行。

在一些实施例中，处理设备120可以将目标区域内各体素的输入函数和初始时间活度曲线输入到训练后的机器学习模型中，机器学习模型可以基于输入的目标区域内各体素的输入函数和初始时间活度曲线输出目标体素的动力学参数或参数图像。例如，如图10所示，处理设备120可以将目标区域内的目标体素1010和邻近体素1020的输入函数和初始时间活度曲线输入到训练后的机器学习模型中，机器学习模型可以基于对输入的目标区域内各体素的输入函数和初始时间活度曲线的校正处理输出目标体素1010的参数图像。

在一些实施例中，机器学习模型可以基于训练获得，关于机器学习模型的训练说明参见图9。

在一些实施例中，机器学习模型可以包括循环神经网络机器学习模型(RNN)。在一些实施例中，机器学习模型可以包括长短期记忆网络机器学习模型(LSTM)。关于机器学习模型的具体细节，参见本说明书上文步骤720，此处不再赘述。

在获取校正时间活度曲线时，是分别将各个体素作为中心体素(即目标体素)建立目标区域，并将中心体素与其邻近体素的输入函数和初始时间活度曲线均输入模型进行分析，以得到结合邻近体素与中心体素的输入函数和初始时间活度曲线的相互关联的校正结果，显著提升了校正后的动力学参数或参数图像的准确度。

图9是根据本说明书一些实施例所示的机器学习模型训练的示意图。如图9所示，流程900包括下述步骤。在一些实施例中，图9所示的过程900的一个或一个以上操作可以在图1所示的PET图像的运动校正场景100中实现。例如，图9所示的过程900可以以指令的形式存储在存储设备130中，并由处理设备120调用和/或执行。

在一些实施例中，机器学习模型的参数可以通过多个有标签的训练样本训练得到。在一些实施例中，可以获得多组训练样本940，每组训练样本可以包括多个训练数据及训练数据对应的标签。以图7的机器学习模型为例，训练数据可以包括各个目标区域内各体素的扫描图像或初始时间活度曲线，训练数据的标签可以是各个目标区域内目标体素运动校正后的时间活度曲线。以图8的机器学习模型为例，训练数据可以包括各个目标区域内各体素的输入函数和初始时间活度曲线，训练数据的标签可以是各个目标区域内目标体素运动校正后的动力学参数或参数图像。通过多组训练样本940可以更新初始机器训练模型950的参数，得到训练好的初始机器学习模型950。机器学习模型920的参数来自于训练好的初始机器学习模型950。其中，参数可以以任何常见的方式传递。

在一些实施例中，机器学习模型的训练数据及训练数据的标签可以通过历史数据中获得。例如，可以通过成像设备在历史医疗过程中收集的历史图像数据获得。在一些实施例中，机器学习模型的训练数据及训练数据的标签还可以通过人工输入、调用相关接口等方式获取。在一些实施例中，还可以采用其他任意方式获取机器学习模型的训练样本及训练样本的标签。

在一些实施例中，以图7的机器学习模型为例，训练数据的标签可以为基于运动校正后的参数图像获取的时间活度曲线。在一些实施例中，以图8的机器学习模型为例，训练数据的标签可以为基于运动校正后的参数图像获取的动力学参数或运动校正后的参数图像。

运动校正后的参数图像是通过运动校正技术获得的目标体素运动校正后的图像。运动校正技术一般分为两个步骤，分别是运动探测和运动校正。运动探测方法是通过外部设备或者数据驱动(Data-driven)，获取运动变形场。运动校正方法是基于图像进行运动变形，或者将变形场加入图像重建过程中，实现运动校正。

在一些实施例中，可以基于多个训练样本迭代更新初始机器学习模型950的参数，以使模型的损失函数满足预设条件。例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的初始机器学习模型950。其中，机器学习模型920和训练好的初始机器学习模型950具备相同的模型结构。具体的，训练好的初始机器学习模型950的输入为每个训练样本，输出为每个训练样本对应的校正时间活度曲线、动力学参数或参数图像。

通过对机器学习模型的训练，使得训练后的机器学习模型具有运动校正的功能，利用该功能，我们可以对成像设备获取的扫描图像进行运动校正，校正了扫描过程中由于主体运动而产生的误差，提高了图像的质量，从而提高了药物代谢动力学分析的准确性。

在一些实施例中，PET图像的运动校正装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现所述PET图像的运动校正方法。

在一些实施例中，计算机可读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，计算机运行所述PET图像的运动校正方法。

在本说明书一些实施例中，通过运动校正获得校正后的参数图像。对成像设备获取的扫描图像进行运动校正，校正了扫描过程中由于主体运动而产生的误差，提高了图像的质量，从而提高了药物代谢动力学分析的准确性，并且，考虑到了目标体素与邻近体素之间的相互关联，校正后的数据准确度更高。

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 (10)

1.一种PET图像的运动校正方法，包括：

基于扫描图像确定至少一个体素的初始时间活度曲线；

基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线；

基于所述校正时间活度曲线确定参数图像；

或所述方法包括：

基于扫描图像确定至少一个体素的初始时间活度曲线；

将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像。

2.根据权利要求1所述的方法，所述将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像包括：

将输入函数和所述初始时间活度曲线输入机器学习模型，确定动力学参数；

基于所述动力学参数确定参数图像。

3.根据权利要求1所述的方法，所述基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线包括：

基于目标体素确定目标区域；

基于所述扫描图像或所述目标区域内至少一个体素的所述初始时间活度曲线，通过机器学习模型确定目标体素的校正时间活度曲线。

4.根据权利要求1所述的方法，所述将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像包括：

对目标体素确定目标区域；

基于所述输入函数和所述目标区域内至少一个体素的所述初始时间活度曲线，通过机器学习模型确定目标体素的动力学参数和/或参数图像。

5.根据权利要求3或4所述的方法，所述目标区域包括位于中心位置的所述目标体素及与所述目标体素相邻的邻近体素。

6.根据权利要求3或4所述的方法，所述机器学习模型的训练方法包括：

基于运动校正后的参数图像获取校正时间活度曲线或动力学参数，所述时间活度曲线、所述动力学参数或所述参数图像作为训练数据的标签。

7.一种PET图像的运动校正系统，包括：

第一确定模块，用于基于扫描图像确定至少一个体素的初始时间活度曲线；

校正模块，用于基于所述扫描图像或所述初始时间活度曲线确定校正时间活度曲线；

第一图像确定模块，用于基于所述校正时间活度曲线确定参数图像；

或所述系统包括：

第一确定模块，用于基于扫描图像确定至少一个体素的初始时间活度曲线；

第二图像确定模块，用于将输入函数和所述初始时间活度曲线输入机器学习模型，确定参数图像。

8.根据权利要求7所述的系统，所述第二图像确定模块进一步用于：

将输入函数和所述初始时间活度曲线输入机器学习模型，确定动力学参数；

基于所述动力学参数确定参数图像。

9.一种PET图像的运动校正装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如权利要求1至6中任一项所述PET图像的运动校正方法。

10.一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，计算机运行如权利要求1至6中任意一项所述PET图像的运动校正方法。

Images