CN114945991A - 使用深度学习的放射性药物分布图像生成系统和方法 - Google Patents

使用深度学习的放射性药物分布图像生成系统和方法 Download PDF

Info

Publication number
CN114945991A
CN114945991A CN202080091507.6A CN202080091507A CN114945991A CN 114945991 A CN114945991 A CN 114945991A CN 202080091507 A CN202080091507 A CN 202080091507A CN 114945991 A CN114945991 A CN 114945991A
Authority
CN
China
Prior art keywords
image
radiation dose
time
radiopharmaceutical
medical 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.)
Pending
Application number
CN202080091507.6A
Other languages
English (en)
Inventor
禹尚根
林常茂
李教徹
金旭
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.)
Korea Institute of Radiological and Medical Sciences
Original Assignee
Korea Institute of Radiological and Medical Sciences
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 Korea Institute of Radiological and Medical Sciences filed Critical Korea Institute of Radiological and Medical Sciences
Publication of CN114945991A publication Critical patent/CN114945991A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种使用深度学习的放射性药物分布图像生成系统和方法，并且更具体地，涉及一种使用深度学习的放射性药物分布图像生成系统和方法，其中，可以通过深度学习网络学习从多个患者采集的动态医学图像和每个器官的时间‑辐射剂量分布曲线，并且可以从特定患者获得的静态医学图像生成放射性药物的空间分布图像。根据本发明，即使在向患者注射放射性药物后仅获取特定时间的医学图像，也能通过使用深度学习网络获取整个时间的放射性药物的空间分布图像，并且基于此，通过计算时间‑辐射剂量分布曲线，可以对放射性药物进行定量分析。

Description

使用深度学习的放射性药物分布图像生成系统和方法
技术领域
本公开涉及一种基于深度学习生成放射性药物分布图像的系统和方法，并且更具体地，涉及一种基于深度学习生成放射性药物分布图像的系统和方法，其中，通过深度学习网络学习从多个患者采集的动态医学图像和根据器官的时间-辐射剂量分布曲线，并且基于从特定患者获取的静态医学图像生成放射性药物的空间分布图像。
背景技术
正电子发射计算机断层扫描(PET)和单光子发射计算机断层扫描(SPECT)图像是检测标记的放射性核素衰变时发出的能量的医学成像设备，它们可用作诊断患者和评估治疗响应的医学成像工具。特别是，PET和SPECT的优势在于可以基于图像的强度进行定量分析。
对基于PET和SPECT的图像进行定量分析的研究分为注射用于诊断或治疗的放射性药物并且分析某特定时间的吸收的静态医学图像分析，和定量分析注射放射性药物后放射性药物的吸收率随时间变化的动态医学图像分析。
动态医学图像分析包括在获取医学图像之前将放射性药物给药于患者体内，然后在等待直到在目标区域充分吸收放射性药物同时连续获取图像，并且基于单个获取的医学图像进行定量分析的过程。代表性地，使用18F-FDG的分析属于动态医学图像分析。18F-FDGPET成像通过将18F-FDG静脉注射到患者体内并且在1小时后获取约20分钟的图像来进行。
基于动态医学图像的定量分析提供关于放射性药物的吸收率随时间变化的信息，该信息不能通过静态医学图像提供，因为随着图像的获取与放射性药物的注射同时开始，在预定的时间段内连续获取图像。然而，与静态医学图像的获取不同，动态医学图像的获取对患者来说非常不方便，因为患者必须长时间躺在成像设备上。
因此，基于静态医学图像的分析对于患者来说不方便减少，因为短时间获取医学图像。然而，基于静态医学图像的分析的缺点在于无法反映关于放射性药物的吸收率随时间变化的信息。
另一方面，基于动态医学图像的分析可以精确评估关于目标区域内放射性药物的吸收率随时间变化的信息，但是问题在于因为需要获取随时间的所有医学图像而成为患者的沉重负担。
发明内容
技术问题
本公开的一个方面是提供一种基于深度学习生成放射性药物分布图像的系统和方法，其中，通过深度学习网络学习从多个患者采集的动态医学图像和根据器官的时间-辐射剂量分布曲线，并且基于从特定患者获取的静态医学图像生成放射性药物的空间分布图像。
技术方案
根据本公开的一个实施方案，可以提供一种使用深度学习的放射性药物分布图像生成系统，该系统包括：动态医学图像获取单元，被配置为通过在注射放射性药物的同时连续采集患者的医学图像来获取动态医学图像；分布曲线获取单元，被配置为从所述动态医学图像获取时间-辐射剂量分布曲线，所述时间-辐射剂量分布曲线表示人体的每个器官随时间的辐射剂量；静态医学图像获取单元，被配置为获取注射放射性药物后的特定时间段的静态医学图像；深度学习图像生成网络，被配置为通过采集和学习多个患者的动态医学图像以及相对应的时间-辐射剂量分布曲线来预测和生成与静态医学图像之前和之后的时间相对应的医学图像；以及空间分布图像获取单元，被配置为从静态医学图像和生成的医学图像中获取放射性药物的空间分布图像。
优选地，所述深度学习网络可以包括：深度学习单元，被配置为采集和学习多个患者的动态医学图像和相对应的时间-辐射剂量分布曲线；和图像生成单元，被配置为预测和生成与拍摄静态医学图像之前和之后的时间相对应的医学图像。
优选地，所述深度学习网络可以根据动态医学图像和相对应的时间-辐射剂量分布曲线使用生成对抗网络(GAN)来生成医学图像。
优选地，所述系统还可以包括分布曲线预测器，被配置为通过从空间分布图像获取每个区域随时间的辐射剂量和位置来获取时间-辐射剂量分布曲线。
根据本公开的一个实施方案，可以提供一种通过使用深度学习的放射性药物分布图像生成系统进行的方法，该方法包括：(a)通过在注射放射性药物的同时连续采集患者的医学图像来获取动态医学图像；(b)从所述动态医学图像中获取时间-辐射剂量分布曲线，该分布曲线表示人体的每个器官随时间的辐射剂量；(c)采集多个患者的动态医学图像和相对应的时间-辐射剂量分布曲线并且通过深度学习网络进行学习；(d)获取注射放射性药物后的特定时间段的静态医学图像；(e)通过深度学习网络预测和生成与静态医学图像之前和之后的时间相对应的医学图像；以及(f)从静态医学图像和生成的医学图像中获取放射性药物的空间分布图像。
有益效果
根据本公开，即使将放射性药物注射到患者体内后仅获取特定时间段的医学图像，也能通过深度学习网络获取整个时间的放射性药物的空间分布图像，由此计算时间-辐射剂量分布曲线，从而进行放射性药物的定量分析。
附图说明
图1是根据本公开的使用深度学习的放射性药物分布图像生成系统的方框图。
图2是根据本公开的使用深度学习的放射性药物分布图像生成方法的流程图。
图3是示出时间-辐射剂量分布曲线的图。
图4是示出每次从静态医学图像生成图像并且提取时间-辐射剂量分布曲线的图。
具体实施方式
本公开可以进行各种修改并且包括各种实施方案，因此具体的实施方案将在附图中示出并且在下文中详细描述。然而，应当理解本公开不限于具体的实施方案，而是包括本公开的技术精神和范围内的所有变化、等价物和替换物。
术语“第一”、“第二”等可以用于描述不同的要素，但是这些要素不受这些术语的限制。这些术语仅用于区分一个要素和另一个要素的目的。例如，在不脱离本公开的范围的情况下，在一个实施方案中称为第一要素的第一要素可以在另一个实施方案中称为第二要素。
在本公开中使用的术语旨在仅描述具体的实施方案，而非限制本公开。除非内容另有明确说明，否则单数形式也旨在包括复数形式。应当进一步理解，在本公开中使用的术语“包括”、“具有”等旨在规定所述的特征、整数、步骤、操作、要素、组件或它们的组合的存在，但是不排除一个或多个其它的特征、整数、步骤、操作、要素、组件或它们的组合的存在或添加。
除非另有定义，否则本文中使用的所有术语包括技术或科学术语具有与本公开所属领域的具有普通知识的人员通常理解的含义相同的含义。
术语如在常用词典中定义的术语应解释为具有与相关技术的上下文中的含义匹配的含义，除非另有明确定义，否则不得解释为理想的或过于形式的。
下面，本公开的实施方案将参考附图更详细地描述。相同数字始终指代相同要素。
图1是根据本公开的使用深度学习的放射性药物分布图像生成系统的方框图，图2是根据本公开的使用深度学习的放射性药物分布图像生成方法的流程图。
根据本公开的使用深度学习的放射性药物分布图像生成方法是指并且基本上与根据本公开的使用深度学习的放射性药物分布图像生成系统进行的方法相同，因此它们将在下文中一起描述。
参考图1，根据本公开的使用深度学习的放射性药物分布图像生成系统100可以包括动态医学图像获取单元110、分布曲线获取单元120、深度学习网络130、静态医学图像获取单元140和空间分布图像获取单元150，并且可以另外包括分布曲线预测器160。
首先，动态医学图像获取单元110通过在注射放射性药物的同时连续采集患者的医学图像来获取动态医学图像(S100)。为了对诊断医学图像进行空间分析，可以使用正电子发射断层扫描-计算机断层扫描(PET-CT)扫描仪。通过PET-CT扫描仪获取的诊断医学图像可以包括PET图像和CT图像，并且在分析中可以使用这两个图像。
分布曲线获取单元120从所述动态医学图像中获取时间-辐射剂量分布曲线，该分布曲线表示人体的每个器官随时间的辐射剂量(S200)。
分布曲线获取单元120以预定方式划分基于CT图像的诊断医学图像，基于通过CT图像获取的解剖信息设置器官和目标区域之间的边界，并且获取基于PET图像的每个划分区域随时间的放射性同位素的辐射剂量和位置。
图3是示出时间-辐射剂量分布曲线的图。
参考图3的图，时间-辐射剂量分布曲线显示出在特定器官或特定区域测量的随时间的辐射剂量。在时间-辐射剂量分布曲线的图中，x-轴表示时间，y-轴表示测量的辐射剂量。
返回参考图1和图2，将继续描述。
最终，分布曲线获取单元120从将放射性药物注射到患者体内后获取的动态医学图像中获取人体的每个器官区域的基于时间-辐射剂量分布的诊断分布曲线。
动态医学图像获取单元110和分布曲线获取单元120获取不同患者的动态医学图像和根据器官的时间-辐射剂量分布曲线，并且将获取的动态医学图像和获取的根据器官的时间-辐射剂量分布曲线传送到深度学习网络130(稍后描述)进行深度学习。
深度学习网络130包括深度学习单元131和图像生成单元132。
这里，将深度学习定义为一套机器学习算法，这些算法通过组合数种非线性转换技术尝试高级抽象，并且广义上是指以人类思维方式训练计算机的机器学习领域。机器学习是基于人工神经网络(ANN)使计算机像人类一样自己学习大量数据。深度学习训练计算机通过模仿人脑的信息处理方法，即发现大量数据中的模式并区分对象而将对象区分和分类。通过深度学习，计算机可以自己进行识别、推理和决策，而无需人类设定任何标准。深度学习可以广泛用于例如对图像进行识别、分析、分类等。
根据本公开，在学习了从不同患者采集的动态医学图像之后，可以使用生成对抗网络(GAN)算法来生成与拍摄静态医学图像的时间以外的时间相对应的医学图像。基于生成看起来真实的伪图像的模型和识别其真实性的模型之间的竞争，GAN算法可以生成与拍摄静态医学图像的时间以外的时间相对应的最佳医学图像。在基于GAN算法的深度学习的过程中，可以通过学习动态医学图像并且同时学习与动态医学图像相关的根据器官的时间-辐射剂量分布曲线，在考虑时间-辐射剂量分布曲线时可以生成最佳医学图像。
最终，GAN算法可以像拍摄动态医学图像一样从静态医学图像中获取与整个时间相对应的医学图像。
为此，深度学习网络130的深度学习单元131通过深度学习网络将深度学习应用于从多个患者采集的动态医学图像和相对应的时间-辐射剂量分布曲线(S300)。在这种情况下，如上所述，通过根据动态医学图像和相对应的时间-辐射剂量分布曲线的GAN算法可以生成医学图像。
同时，静态医学图像获取单元140获取向特定患者注射放射性药物之后的特定时间段的静态医学图像(S400)。将获取的静态医学图像发送到深度学习网络130。
深度学习网络130的图像生成单元132预测并生成与拍摄静态医学图像之前和之后的时间相对应的医学图像(S500)。深度学习网络130的图像生成单元132能够预测和生成与拍摄静态医学图像的时间以外的时间相对应的医学图像，从而像拍摄动态医学图像一样生成与整个时间相对应的医学图像。
空间分布图像获取单元150从静态医学图像和通过深度学习网络130生成的医学图像中获取放射性药物的空间分布图像(S600)。
最后，分布曲线预测器160从获取的空间分布图像中获取每个区域随时间的辐射剂量和位置，从而获取时间-辐射剂量分布曲线(S700)。不同之处在于，在操作S200中获取的时间-辐射剂量分布曲线是从动态医学图像中获取的分布曲线，但是在操作S700中获取的时间-辐射剂量分布曲线是从与拍摄静态医学图像的时间以外的时间相对应的时间生成的医学图像中获取的分布曲线。
图4是示出每次从静态医学图像生成图像并且提取时间-辐射剂量分布曲线的图。
参考图4，第一行显示出在所有关注时间拍摄的动态医学图像，下面的其它三行显示出仅在特定时间拍摄的静态医学图像。
在第一行的动态医学图像的情况下，基于通过CT图像获取的解剖信息设置器官和目标区域之间的边界，并且基于PET图像获取每个划分区域随时间的放射性同位素的辐射剂量和位置，从而最终毫不费力地获取时间-辐射剂量分布曲线。
另一方面，在第二至第四行的静态医学图像的情况下，医学图像仅存在某一时间，因此不能获得对应于整个时间的时间-辐射剂量分布曲线。
在这种情况下，深度学习网络130用于生成与所获取图像之前和之后的所有时间点相对应的医学图像，并且对生成的医学图像和先前获取的静态医学图像进行分析，从而预测时间-辐射剂量分布曲线。
本公开可以通过方法、装置、系统等来实现。本公开的方法还可以实现为计算机可读记录介质中的计算机可读的程序、代码、应用、软件等。当由软件或应用实现和执行时，本公开的要素是执行必要任务的程序或代码段。程序或代码段可以存储在计算机可读记录介质中，或者可以通过传输介质或通信网络由与载体组合的计算机数据信号来传输。
计算机可读记录介质可以包括其中存储有计算机系统可读的数据的任何类型的记录装置。计算机可读记录介质的实例可以包括硬盘、软盘、磁性介质如磁带、光学记录介质如光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)、磁光介质(如软盘)、随机存取存储器(RAM)、只读存储器(ROM)、闪存、或专门配置为存储和执行程序指令的类似硬件装置。此外，计算机可读记录介质还可以分布在网络耦合的计算机系统上，以使计算机可读代码以分布式方式存储和执行。
尽管上文已参考附图中描绘的实施方案描述了本公开，但是该描述仅用于说明的目的，因此本公开所属领域的普通技术人员可以进行各种改变和修改。因此，本公开的范围由所附权利要求书限定，应当理解的是相同和等效范围内的所有技术思想也落入本公开的范围内。

Claims (7)

1.一种使用深度学习的放射性药物分布图像生成系统，该系统包括：
动态医学图像获取单元，被配置为通过在注射放射性药物的同时连续采集患者的医学图像来获取动态医学图像；
分布曲线获取单元，被配置为从所述动态医学图像获取时间-辐射剂量分布曲线，该时间-辐射剂量分布曲线表示人体的每个器官随时间的辐射剂量；
静态医学图像获取单元，被配置为获取注射所述放射性药物后的特定时间段的静态医学图像；
深度学习图像生成网络，被配置为通过采集和学习多个患者的动态医学图像以及相对应的时间-辐射剂量分布曲线来预测和生成与所述静态医学图像之前和之后的时间相对应的医学图像；以及
空间分布图像获取单元，被配置为从所述静态医学图像和生成的医学图像中获取所述放射性药物的空间分布图像。
2.根据权利要求1所述的系统，其中，所述深度学习网络包括：
深度学习单元，被配置为采集和学习所述多个患者的动态医学图像和所述相对应的时间-辐射剂量分布曲线；和
图像生成单元，被配置为预测和生成与拍摄所述静态医学图像之前和之后的时间相对应的医学图像。
3.根据权利要求2所述的系统，其中，所述深度学习网络根据所述动态医学图像和所述相对应的时间-辐射剂量分布曲线使用生成对抗网络(GAN)来生成所述医学图像。
4.根据权利要求1所述的系统，还包括分布曲线预测器，该分布曲线预测器被配置为通过从所述空间分布图像获取每个区域随时间的辐射剂量和位置来获取时间-辐射剂量分布曲线。
5.一种通过使用深度学习的放射性药物分布图像生成系统进行的方法，该方法包括：
(a)通过在注射放射性药物的同时连续收集患者的医学图像来获取动态医学图像；
(b)从所述动态医学图像中获取时间-辐射剂量分布曲线，该分布曲线表示人体的每个器官随时间的辐射剂量；
(c)采集多个患者的动态医学图像和相对应的时间-辐射剂量分布曲线，通过深度学习网络进行学习；
(d)获取注射放射性药物后的特定时间段内的静态医学图像；
(e)通过深度学习网络预测和生成与静态医学图像前后的时间对应的医学图像；以及
(f)从静态医学图像和生成的医学图像中获取放射性药物的空间分布图像。
6.根据权利要求5所述的方法，其中，所述深度学习网络根据动态医学图像和相对应的时间-辐射剂量分布曲线使用生成对抗网络(GAN)来生成医学图像。
7.根据权利要求5所述的方法，还包括通过从空间分布图像获取每个区域随时间的辐射剂量和位置来获取时间-辐射剂量分布曲线。
CN202080091507.6A 2020-01-02 2020-07-02 使用深度学习的放射性药物分布图像生成系统和方法 Pending CN114945991A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020200000523A KR102423697B1 (ko) 2020-01-02 2020-01-02 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법
KR10-2020-0000523 2020-01-02
PCT/KR2020/008658 WO2021137371A1 (ko) 2020-01-02 2020-07-02 딥러닝을 이용한 방사성의약품 분포영상 생성 시스템 및 방법

Publications (1)

Publication Number Publication Date
CN114945991A true CN114945991A (zh) 2022-08-26

Family

ID=76686791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080091507.6A Pending CN114945991A (zh) 2020-01-02 2020-07-02 使用深度学习的放射性药物分布图像生成系统和方法

Country Status (5)

Country Link
US (1) US20230029695A1 (zh)
EP (1) EP4086918A4 (zh)
KR (1) KR102423697B1 (zh)
CN (1) CN114945991A (zh)
WO (1) WO2021137371A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6688536B2 (ja) * 2016-09-07 2020-04-28 エレクタ、インク.Elekta, Inc. 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法
KR101908126B1 (ko) 2017-03-21 2018-12-18 한국원자력의학원 다중 의료영상 분석 시스템 및 방법
KR20190046471A (ko) * 2017-10-26 2019-05-07 삼성전자주식회사 의료 영상 처리 방법 및 그에 따른 의료 영상 처리 장치
KR102219890B1 (ko) * 2018-02-28 2021-02-24 서울대학교산학협력단 딥러닝을 이용한 의료영상의 공간 정규화 장치 및 그 방법
KR102483585B1 (ko) * 2018-05-04 2023-01-02 재단법인 아산사회복지재단 초기 동적 영상데이터 기반 진단용 영상 생성방법 및 프로그램
JP6530128B1 (ja) * 2018-08-27 2019-06-12 日本メジフィジックス株式会社 被ばく線量管理装置、被ばく線量管理方法、およびプログラム

Also Published As

Publication number Publication date
WO2021137371A1 (ko) 2021-07-08
EP4086918A4 (en) 2024-02-14
KR102423697B1 (ko) 2022-07-21
KR20210087369A (ko) 2021-07-12
US20230029695A1 (en) 2023-02-02
EP4086918A1 (en) 2022-11-09

Similar Documents

Publication Publication Date Title
JP7203852B2 (ja) 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定
KR102210474B1 (ko) 양전자방출 단층촬영 시스템 및 그것을 이용한 영상 재구성 방법
US9135695B2 (en) Method for creating attenuation correction maps for PET image reconstruction
CN102483852B (zh) 利用基于飞行时间信息逐个事件生成的图像内容的飞行时间正电子发射断层摄影重建
RU2413245C2 (ru) Обработка изображений позитронно-эмиссионной томографии с использованием анатомической маски режима списка
CN102473302B (zh) 用于感兴趣肿瘤区域定义的解剖结构建模
KR102219890B1 (ko) 딥러닝을 이용한 의료영상의 공간 정규화 장치 및 그 방법
CN110415311B (zh) Pet图像重建方法、系统、可读存储介质和设备
US20220164612A1 (en) Patient-Adaptive Nuclear Imaging
US11918390B2 (en) Methods and systems for motion detection in positron emission tomography
KR102157867B1 (ko) 딥러닝에 기반한 고속 양전자단층촬영 영상 획득 장치 및 방법
JP2022506395A (ja) 陽電子放出断層撮影（ｐｅｔ）のための人工知能（ａｉ）ベースの標準取込み値（ｓｕｖ）補正及び変動評価
JP2020519863A (ja) 定量的分子撮像のための正確なハイブリッドデータセットの生成
KR102283934B1 (ko) Pet 영상에 기반한 가상 ct 영상 및 감쇠보정 pet 영상 생성 방법 및 시스템
Currie et al. Intelligent imaging: Applications of machine learning and deep learning in radiology
Lei et al. Generative adversarial network for image synthesis
KR102603177B1 (ko) 영상 공간 정규화와 이를 이용한 정량화 시스템 및 그 방법
CN114945991A (zh) 使用深度学习的放射性药物分布图像生成系统和方法
CN115774281A (zh) 用于断层摄影不一致性检测的基于衰减校正的加权
Nasef et al. An efficient segmentation technique for skeletal scintigraphy image based on sharpness index and salp swarm algorithm
Luu et al. Automatic scan range for dose-reduced multiphase ct imaging of the liver utilizing cnns and gaussian models
Xue et al. PET Synthesis via Self-supervised Adaptive Residual Estimation Generative Adversarial Network
US11663758B2 (en) Systems and methods for motion estimation in PET imaging using AI image reconstructions
Jin A Quality Assurance Pipeline for Deep Learning Segmentation Models for Radiotherapy Applications
de Lima Nuclear medicine and mathematics

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