CN115908610A - 一种基于单模态pet图像获取衰减校正系数图像的方法 - Google Patents
一种基于单模态pet图像获取衰减校正系数图像的方法 Download PDFInfo
- Publication number
- CN115908610A CN115908610A CN202211431369.9A CN202211431369A CN115908610A CN 115908610 A CN115908610 A CN 115908610A CN 202211431369 A CN202211431369 A CN 202211431369A CN 115908610 A CN115908610 A CN 115908610A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- attenuation
- attenuation correction
- module
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000002600 positron emission tomography Methods 0.000 claims description 160
- 238000012549 training Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 238000003786 synthesis reaction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 25
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 230000005855 radiation Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000000700 radioactive tracer Substances 0.000 description 6
- 238000012879 PET imaging Methods 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 239000012217 radiopharmaceutical Substances 0.000 description 1
- 229940121896 radiopharmaceutical Drugs 0.000 description 1
- 230000002799 radiopharmaceutical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Landscapes
- Nuclear Medicine (AREA)
Abstract
本发明涉及一种基于单模态PET图像获取衰减校正系数图像的方法,方法包括:S10、针对用于医学影像图像重建的探测数据,获取该探测数据的未作衰减校正的PET图像;S20、基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,输入预先训练的生成器G中,获取G输出的所述探测数据对应的伪衰减系数图像;伪衰减系数图像等效其他模态图像转换得到的真实衰减系数图像用于实现重建PET图像。上述方法可以实现基于单模态PET图像较准确的重建,无需其他模态辅助,减少受试者的多次扫描,且使得重建的PET图像减少衰减伪影,保证稳定性。
Description
技术领域
本发明涉及医学成像技术领域,尤其涉及一种基于单模态PET图像获取衰减校正系数图像的方法、PET图像重建方法、PET系统。
背景技术
当前,在多模态(如PET/CT)设备实际的成像过程中,CT并不能准确的得到与PET数据相匹配的衰减信息。理由是,CT扫描一般是在很短的时间内完成,而PET扫描一个体位通常需要几分钟时间,由于患者的呼吸运动以及心脏的跳动,其体内部分脏器并不完全处于静态,或者患者在扫描过程中发生移动,PET重建的图像与CT重建的图像存在一定程度的不匹配,此时使用CT数据为PET图像重建进行衰减校正,PET图像将产生衰减伪影;
其次,相比于其他模态(如CT或MRI)设备的扫描范围,PET的扫描范围一般更大。当对体型较大的患者进行扫描时,其他模态成像有可能无法提供足够大的扫描范围,这将导致最终得到的衰减系数图像发生截断,将其应用在PET图像重建之中会使图像产生衰减伪影。
虽然PET/CT检测的辐射剂量被严格控制在绝对安全的范围之内,还是需要尽可能降低患者接受的辐射剂量。患者除了要经受内注射放射性药物辐射之外,还需进行低剂量的CT扫描用于解剖定位以及衰减校正;在不同的扫描协议情况下,如延迟扫描,可能还需要进行多次配套的CT扫描,额外增加了受试者接受的辐射剂量。
最后,在PET扫描过程中,扫描床板是无法被PET扫描所探测到,但是实际上它对衰减校正的影响也比较大,在无CT扫描的情况下,如PET/MR设备,通常需要额外的处理手段将扫描床板的衰减信息补充到PET衰减校正之中,以保证重建的示踪剂分布图像的准确性,避免因忽略扫描床板的衰减信息而使PET图像产生伪影。
鉴于此,亟需一种无需其他模态辅助衰减校正而实现对PET图像进行衰减校正的方法。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于单模态PET图像获取衰减校正系数图像的方法、PET图像重建方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种基于单模态PET图像获取衰减校正系数图像的方法,其包括:
S10、针对用于医学影像图像重建的探测数据,获取该探测数据的未作衰减校正的PET图像;
S20、基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,输入预先训练的生成器G中,获取G输出的所述探测数据对应的伪衰减系数图像;所述伪衰减系数图像用于实现PET图像重建;
所述生成器G为采用有监督学习方式训练生成的G,该G包括:空间变换网络和合成网络;所述空间变换网络用于基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,获取扫描床板特征信息并输入所述合成网络,所述合成网络基于未作衰减校正的PET图像,提取该PET图像的第一特征信息并融合扫描床板特征信息,映射生成所述伪衰减系数图像。
可选地,所述S10之前,还包括:
基于PET探测数据及该PET探测数据匹配的其他模态图像,获取用于训练生成器G的训练样本;
其中,每一训练样本包括:PET探测数据对应的真实线性衰减校正系数图像、未作衰减校正的PET图像、已知的扫描床板的衰减系数图像;所述其他模态图像用于获取真实的线性衰减校正系数图像;
训练过程中,基于每一训练样本中的未作衰减校正的PET图像和扫描床板的衰减系数图像输入G,并将G的输出和该训练样本的真实线性衰减校正系数图像均输入鉴别器D中,以对训练中G的输出进行判别,交替进行G和D的训练,使训练后的G生成输出的伪衰减系数图像与真实线性衰减校正系数图像匹配。
可选地,训练中的损失函数L为:
LGAN(G,D)为生成对抗损失;
LGAN(G,D)=-Exy[D(x,z,y)]+Ex[D(x,z,G(x,z))] (2)
L1为用于保证低频信息的损失函数;
其中,针对每一次训练,x表示未作衰减校正的PET图像,z表示已知的扫描床板的衰减系数图像,y表示真实线性衰减校正系数图像;Exy[D(x,z,y)]表示该输入下的期望,D(x,z,y)表示D对真实线性衰减校正系数图像的判别结果,D(x,z,G(x,z))表示D对采用G输出的图像的判别结果;λ为超参数。
可选地,所述合成网络包括:编码器、残差模块和解码器;三者按顺序串联;解码器与编码器具有相对称的结构,解码器与编码器之间使用跳跃连接,将编码器中输出的卷积特征传递到解码器中;
所述编码器包括:1个卷积层,3个下采样基本模块;第1个卷积层用于接收输入的未作衰减校正的PET图像以及空间变换网络输入的扫描床板特征信息,并进行卷积处理,获得卷积特征;
所有的下采样基本模块包括:步长为2的卷积层和激活函数;3个串联的下采样基本模块依次对输入的卷积特征进行处理,第3个下采样基本模块的输出将送入至残差模块中;
每个残差模块包括:两组串联的卷积和激活操作;每个残差模块的输出结果是由该残差模块的输入和第二组卷积和激活操作中的激活操作的输出像素级相加得到;
最后残差模块的输出结果被送入至解码器中;
解码器包括:3个上采样基本模块和1个卷积层;
上采样基本模块采用反卷积操作,上采样基本模块的输出将送入最后一个卷积层中,对输入的卷积特征进行卷积处理,输出伪衰减系数图像。
可选地,空间变换网络包括:位置定位模块和特征重采样模块;
位置定位模块用于提取输入的扫描床板的衰减系数图像和所述未作衰减校正的PET图像之间的空间位置关系信息,得到仿射变换矩阵参数;
位置定位模块包括:5层下采样模块、全连接层和激活函数;每个下采样模块包括:卷积、池化和激活操作,每个下采样模块用于使提取的特征图的尺寸减半;通过5层下采样模块输出的特征图展开为一维数组,并通过2组全连接层和激活函数后得到仿射变换矩阵参数;
特征重采样模块,用于根据所述仿射变换矩阵参数对输入的扫描床板的衰减系数图像进行重采样,得到修正的扫描床板特征图像作为获取的扫描床板特征信息。
第二方面,本发明实施例还提供一种PET图像重建方法,其包括:
P01、针对待进行PET重建的探测数据,采用上述第一方面所述的方法获取伪衰减系数图像μ0;
P02、基于该μ0和所述探测数据,重建PET放射性活度分布x。
可选地,所述P02包括:
基于该μ0,采用交替迭代策略对衰减校正系数μ和PET放射性活度分布x进行交替迭代,获得满足最大化目标函数要求的x的估计值,作为所述探测数据的重建图像;
其中,交替迭代策略包括:先将μ0作为初始值,最大化目标函数来求解x,将求解的x作为常数,最大化目标函数来求解μ,依次交替操作,最大化目标函数得到最终重建的PET放射性活度分布x。
可选地,所述P02包括:
基于该μ0,采用交替迭代策略对衰减校正系数μ和PET放射性活度分布x进行交替迭代,获得满足最大化目标函数要求的x的估计值,作为所述探测数据的重建图像;
其中,交替迭代策略包括:先将μ0作为初始值,最大化目标函数来求解x,将求解的x作为常数,最大化目标函数来求解μ,利用μ0对所述求解的μ进行调节,将调节后的μ作为常数,最大化目标函数来求解下一x,交替进行操作。
第三方面,本发明实施例还提供一种PET操作站,其包括:存储器和处理器;所述存储器中存储有计算机程序指令,所述处理器执行所述存储器中存储的计算机程序指令,具体执行上述第一方面和第二方面任一所述的方法。
(三)有益效果
本发明借助于单模态PET图像获取衰减校正系数图像,有效解决了PET与其他模态联合成像时所存在的衰减信息不准确的问题。
本发明实施例中使用生成器G能够生成与真实衰减系数图像非常相似的图像,这些图像中均包含充足的解剖结构信息,同时生成的衰减系数图像可与PET数据相匹配,能更好的实现PET衰减校正,进而获得重建的PET图像,减少衰减伪影的产生。在产业应用中,本发明实施例的方法能够替代CT在PET成像中的作用,降低患者所接受的辐射量。
在具体处理中,对生成器G采取有监督的方式进行训练,通过一个复杂的反向传播和迭代训练之后,该生成器G能学习到输入数据特征和期望输出之间的映射关系,从而能够在无衰减系数图像的情况下,通过生成器G生成伪衰减系数图像用于PET衰减校正,最终实现定量更准确的PET成像。
附图说明
图1为本发明一实施例提供的一种基于单模态PET图像获取衰减校正系数图像的方法的流程示意图;
图2为本发明另一实施例提供的基于单模态PET图像获取衰减校正系数图像的方法的示意图;
图3为生成器G中合成网络的示意图;
图4为生成器G中空间变换网络的示意图;
图5为本发明的方法和现有方法的衰减系数图像以及相应重建的PET图像对比示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
正电子发射断层显像PET(Positron Emission Tomography)是一种无创的核医学成像技术。它能够利用放射性示踪剂来反映人体内的代谢活动信息,可用于肿瘤学中的肿瘤分期和转移检测、心脏病学中的心肌灌注以及神经系统疾病等研究。与PET的功能代谢成像不同,计算机断层扫描CT(Computed Tomography)或者磁共振成像MRI(MagneticResonance Imaging)是对患者进行解剖结构成像,能够对PET示踪剂分布成像进行准确定位。两者的有机结合能同时获取病灶的生理变化以及形态结构信息,提高疾病诊治的准确性。
在PET系统采集过程中,光子在到达PET探测器之前,将不可避免与各种介质相互作用,有一定几率与电子发生碰撞发生光电效应或康普顿散射,从而导致γ光子消失或自身能量降低,无法被PET探测器探测到;也可能改变光子飞行方向,使PET探测器检测到异常的符合事件——散射;因此,为了获取定量精确的PET示踪剂分布图像,需要提供额外的组织线性衰减系数图像用于衰减和散射的准确估计。目前通常是通过配套的其他模态(例如CT、MRI等)仪器对患者进行解剖结构成像,然后根据解剖结构图像计算出组织对γ射线的衰减系数图像,将其运用至重建过程中,对PET原始数据进行衰减校正,最后获得患者体内实际的放射性示踪剂分布图像。
然而,在多模态设备实际的成像过程中,由于扫描时间的差异,导致PET图像产生衰减伪影。以及还存在下述扫描床板的误差信息。即在PET扫描过程中,扫描床板是无法被PET扫描所探测到,但是实际上它对衰减校正的影响也比较大,在无CT扫描的情况下,如PET/MR设备,通常需要额外的处理手段将扫描床板的衰减信息补充到PET衰减校正之中,以保证重建的示踪剂分布图像的准确性,避免因忽略扫描床板的衰减信息而使PET图像产生伪影。
本发明实施例的方法可不借助其他模态图像实现衰减校正,通过模型对PET图像进行处理,其处理结果准确度高,且无需受试者多次扫描。
也就是说,为了解决PET与其他模态联合成像时所存在的衰减信息不准确的问题,可借助于有监督的方式训练的深度神经网络进行处理。其中,神经网络训练所用的输入图像(未作衰减校正的PET图像和已知的扫描床板的衰减系数图像)与网络输出图像(真实的衰减系数图像)相互配对。通过一个复杂的反向传播和迭代训练之后,该深度神经网络算法能学习到输入数据特征和期望输出之间的映射关系,从而能够在无衰减系数图像的情况下,通过深度神经网络生成伪衰减系数图像用于PET衰减校正,最终实现定量更准确的PET成像。本实施例中的深度神经网络是泛指整个模型框架,比如包括生成器G和判别器D两者。
在本发明实施例中已知的扫描床板的衰减系数图像可为无患者或无用户状态下空床板的衰减系数图像。在生成器G的训练过程中,可使用通用的扫描床板的尺寸信息,例如,2140mm×530mm×35mm,本实施例不对扫描床板的尺寸信息进行限定,可根据实际需要调整和选择。
实施例一
如图1所示,本发明实施例提供一种基于单模态PET图像获取衰减校正系数图像的方法,本实施例的方法的执行主体可为用于PET图像重建的方法的控制装置/电子设备,该控制装置可集成在PET系统的采集设备中或者单独的计算机处理设备中,其一种基于单模态PET图像获取衰减校正系数图像的方法包括下述步骤:
S10、针对用于医学影像图像重建的探测数据,获取该探测数据的未作衰减校正的PET图像;
S20、基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,输入预先训练的生成器G中,获取G输出的所述探测数据对应的伪衰减系数图像;所述伪衰减系数图像可作为PET图像重建中使用的衰减系数图像,一方面用于加快PET图像重建迭代的收敛路径,另一方面可使得重建的PET图像更准确,无伪影。本实施例生成的伪衰减系数图像可等同于其他模态图像转换的衰减系数图像(如CT图像转换得到的衰减系数图像)。
上述的生成器G可为采用有监督的训练方式训练生成的G,具体使用中,该G可包括:空间变换网络和合成网络;所述空间变换网络用于基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,获取扫描床板特征信息并输入所述合成网络,所述合成网络基于未作衰减校正的PET图像,提取该PET图像的第一特征信息并融合扫描床板特征信息,映射生成所述伪衰减系数图像。
在实际应用中,上述步骤S10之前,图1所示的方法还包括下述的图中未示出的步骤S00:
S00、基于PET探测数据及该PET探测数据匹配的其他模态图像,获取用于训练生成器G的训练样本;
其中,每一训练样本包括:PET探测数据对应的真实线性衰减校正系数图像、未作衰减校正的PET图像、已知的扫描床板的衰减系数图像;所述其他模态图像用于获取真实的线性衰减校正系数图像;
训练过程中,基于每一训练样本中的未作衰减校正的PET图像和扫描床板的衰减系数图像输入G,并将G的输出和该训练样本的真实线性衰减校正系数图像均输入鉴别器D中,以对训练中G的输出进行判别,交替进行G和D的训练,使训练后的G生成输出的伪衰减系数图像与真实线性衰减校正系数图像匹配。
本实施例的方法借助于单模态PET图像获取衰减校正系数图像,有效解决了PET与其他模态联合成像时所存在的衰减信息不准确的问题,能够替代CT在PET成像中的作用,降低患者所接受的辐射量,进而在PET重建中可有效减少衰减伪影的产生。
实施例二
为更好的理解上述实施例一的技术方案,以下结合生成器G训练过程和使用过程,对基于单模态PET图像获取衰减校正系数图像的方法进行详细说明。本实施例的方法可包括如下步骤:
训练过程:
步骤1:获取PET扫描床板的真实衰减系数图像,将其作为扫描床板模板;以及获取用于训练生成器G时每一训练样本的真实的衰减系数图像。
举例来说,PET扫描总是和其他模态成像匹配使用,本实施例的扫描床板衰减系数图像和每一训练样本的真实的衰减系数图像可以通过其他模态图像来获取。
以PET/CT成像系统为例,可以利用CT系统得到的高信噪比图像,通过双线性法将CT数值转化成511KeV能量下的光子线性衰减系数分布图像,得到该训练样本的真实的衰减系数图像;同样扫描床板模板图像也来自于床的CT图像转化。
以PET/MR成像系统为例,将MR图像针对不同区域(比如软组织、脂肪、肺部、空气等)进行分割,然后直接赋予对应的理论线性衰减系数值(比如选择软组织区域赋值为0.0975cm-1、脂肪区域赋值为0.0864cm-1、肺部区域赋值为0.0224cm-1、空气区域赋值为0),得到训练样本的真实的衰减系数图像;扫描床板模板图像可来自于机械图纸,根据标注的尺寸和材料信息直接构建出理论的扫描床板模板图像。
步骤2:获取未经衰减校正进而重建的PET图像(下述简称PET NAC图像);PET NAC图像来自于PET系统自带的重建程序,重建时选择不进行衰减校正。
步骤3:将步骤1中的扫描床板模板图像和步骤2中的PET NAC图像两者同时输入待训练的生成器G中,并输出精准的伪衰减系数图像。
本实施例的伪衰减系数图像中“伪”是想表达:通过这种神经网络生成的衰减校正系数图像这种方式,区别于CT扫描转换得到(因为它是真实获取的);神经网络生成的效果十分逼真;为更好的区分,本实施例中将生成器G输出的结果称作伪衰减系数图像。
本实施例的生成器G包括:合成网络和空间变换网络;为更好理解上述步骤3,以下通过子步骤31至子步骤35进行说明。
步骤31:空间变换网络将提取输入的扫描床板模板图像和PET NAC图像之间的空间位置关系信息,得到修正的扫描床板特征图像。
如图4所示,空间变换网络包括:位置定位模块和特征重采样模块;位置定位模块用于提取输入的扫描床板模板图像和PET NAC图像之间的空间位置关系信息,得到仿射变换矩阵参数;
该位置定位模块包括:5层下采样模块,每个下采样模块包含卷积、池化和激活操作,使得特征图的尺寸减半;通过5层下采样模块输出的特征图展开为一维数组,并通过2组全连接层和激活函数后得到仿射变换矩阵参数;特征重采样模块则根据获取的仿射变换矩阵参数对输入的扫描床板特征图像进行重采样,得到修正的扫描床板特征图像。
子步骤32:合成网络将提取PET NAC图像特征信息,同时融合修正的扫描床板特征图像信息,通过该网络映射生成伪衰减系数图像。
结合图2至图4所示,对上述生成器G以及参与训练生成器G的鉴别器D分别进行说明。
图2示出了生成器G的结构,图3示出了合成网络的结构。合成网络是包括编码器、残差模块和解码器三部分的残差U-net网络,其中编码器和解码器之间使用跳跃连接;
编码器包括多个编码单元,依次为:1个卷积层,3个下采样基本模块;
第1个卷积层用于接收输入的PET NAC图像以及修正的扫描床板特征图像,并进行卷积处理,获得卷积特征;
所有的下采样基本模块包括:步长为2的卷积层和激活函数;3个串联的下采样基本模块依次对输入卷积特征进行处理,第3个下采样基本模块的输出将送入至残差模块中;
每个残差模块包含2组串联的卷积和激活操作组成。每个残差模块的输出结果是由该残差模块的输入和第二组卷积和激活操作中的激活操作的输出像素级相加(即对应位置像素相加)得到;
最终残差模块的输出结果被送入至解码器中。解码器与编码器具有相对称的结构。
解码器包括3个上采样基本模块和最后1个卷积层;其中上采样基本模块与下采样基本模块差异在于:卷积操作被替换为反卷积操作。最终上采样基本模块的输出将送入最后一个卷积层中,对输入的卷积特征进行卷积处理,输出伪衰减系数图像。
步骤4:将真实衰减系数图像和伪衰减系数图像输入到鉴别器D中,依据损失函数进行判断并调整G的训练参数,通过交替进行G和D的训练,使得G最后输出的伪衰减系数图像匹配真实的衰减系数图像,获得训练后的G。
其中,损失函数L为:
LGAN(G,D)为生成对抗损失;
LGAN(G,D)=-Exy[D(x,z,y)]+Ex[D(x,z,G(x,z))] (2)
L1为用于保证低频信息的损失函数;
其中,x表示PET NAC图像,z表示扫描床板模板图像,y表示真实的衰减系数图像;Exy[D(x,z,y)]表示该输入下的期望,D(x,z,y)表示判别器对真实衰减系数图像的判别结果,D(x,z,G(x,z))表示判别器对采用G输出的图像的判别结果。λ为超参数;
在本实施例中,采用PatchGAN的鉴别器网络结构对生成器G输出的图像与真实的衰减系数图像加以判别,与生成器组成生成对抗模型,促使生成器生成更加逼真的衰减系数图像。
上述方案可用于PET/CT设备,也可扩展到单个PET或PET与其他模态相结合的设备,如PET/MR等,实现训练生成器G。
使用过程:
步骤5:针对用于医学影像图像重建的探测数据,获取该探测数据的未作衰减校正的PET图像即PET NAC图像;
步骤6:基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,输入预先训练的生成器G中,获取G输出的所述探测数据对应的伪衰减系数图像;所述伪衰减系数图像可作为PET图像重建中使用的衰减系数图像,一方面用于加快PET图像重建迭代的收敛路径,另一方面可使得重建的PET图像更准确,无伪影。本实施例生成的伪衰减系数图像可等同于其他模态图像转换的衰减系数图像(如CT图像转换得到的衰减系数图像)。
可理解的是,G输出的伪衰减系数图像可等同CT转衰减系数图像,为避免多种模态测量不准确,或者患者辐射,故采用G获取衰减系数图像,替代现有技术中双模态方式获取衰减系数图像的方式。
重建过程:
步骤7:基于步骤6输出的伪衰减系数图像和步骤5的探测数据,重建PET放射性活度分布x。
可理解的是,本实施例中可以采用各种各样的重建方法重建PET图像,比如OSEM等。
本实施例中提供实验验证结果,如图5所示,图5(a)为神经网络输出的伪衰减系数图像;图5(b)为真实的衰减系数图像;图5(c)和图5(d)都是利用传统OSEM算法重建得到的PET图像,其中图5(c)中的衰减校正是基于伪衰减系数图像,图5(d)中的衰减校正是基于真实的衰减系数图像。
从图5可以看出,本发明使用深度神经网络能够生成与真实衰减系数图像非常相似的图像,包含充足的解剖结构信息,同时生成的衰减系数图像与PET数据相匹配,能更好的实现PET衰减校正,减少衰减伪影的产生。该方法非常有希望能够替代CT在PET成像中的作用,降低患者所接受的辐射量。
实施例三
本发明实施例提供一种PET图像重建方法,其包括:
P01、针对待进行PET重建的探测数据,采用上述实施例一或实施例二所述的方法获取伪衰减系数图像μ0;
特别说明,本实施例中获取的伪衰减系数图像μ0是加上扫描床板的衰减信息,故在下述重建中无需对扫描床板的衰减信息进行补充修正。
P02、基于该μ0和所述探测数据,重建PET放射性活度分布x。
举例来说,在一种实现方式中,可基于该μ0,采用交替迭代策略对衰减校正系数μ和PET放射性活度分布x进行交替迭代,获得满足最大化目标函数要求的x的估计值,作为所述探测数据的重建图像;
举例来说,在另一种可能的实现方式中,还可以基于该μ0,采用交替迭代策略对衰减校正系数μ和PET放射性活度分布x进行交替迭代,获得满足最大化目标函数要求的x的估计值,作为所述探测数据的重建图像;
此时,交替迭代策略包括:先将μ0作为初始值,最大化目标函数来求解x,将求解的x作为常数,最大化目标函数来求解μ,利用μ0对所述求解的μ进行调节,将调节后的μ作为常数,最大化目标函数来求解下一x,交替进行操作。
依次交替操作,获得满足最大化已构建的对数似然函数要求的x的估计值。上述方式可以加快PET图像重建过程的迭代路径,且减少重建后的PET图像的伪影。
上述PET重建的实施例中的目标函数可为已知的对数似然函数L(x,μ,y)。
其中,y=[y1t,y2t,…,yit,…,yNT]'表示探测到的数据即探测数据,表示探测数据的平均值,N表示为探测数据正弦图的大小,T表示飞行时间TOF离散空间的大小,i表示探测数据正弦图响应线LOR(line of response)的变量索引(index),t表示飞行时间TOF离散空间的变量索引。单引号上标表示矩阵转置操作。x=[x1,x2,…,xj,…,xM]'表示未知放射性活度分布图像,M表示为放射性活度分布图像空间的大小,j表示放射性活度分布图像空间的变量索引,代表对应空间位置的点源。μ=[μ1,μ2,…,μk,…,μK]'表示未知的线性衰减系数图像,K表示为线性衰减系数图像空间的大小,k表示为线性衰减系数图像空间的变量索引,代表对应空间位置的点源。A=[Aijt]为系统矩阵,用数学的形式表达了PET系统中空间位置点源j被响应线LORi探测到且飞行时间TOF为t的概率,反映了系统的物理特性,l=[lik]为线性衰减系数矩阵,表示LOR i穿过空间位置点源k时的轨迹交叉长度。r=[r1t,r2t,…,rit,…,rNT]'表示随机噪声和散射噪声的平均值,实际中γ射线在探测过程中不存在衰减效应,也不会发生散射。
另外,本发明实施例还提供一种具有PET系统的PET操作站,其包括:存储器和处理器;所述存储器中存储有计算机程序指令,所述处理器执行所述存储器中存储的计算机程序指令,具体执行上述的PET图像重建方法或者基于单模态PET图像获取衰减校正系数图像的方法等。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (9)
1.一种基于单模态PET图像获取衰减校正系数图像的方法,其特征在于,包括:
S10、针对用于医学影像图像重建的探测数据,获取该探测数据的未作衰减校正的PET图像;
S20、基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,输入预先训练的生成器G中,获取G输出的所述探测数据对应的伪衰减系数图像;所述伪衰减系数图像用于实现PET图像重建;
所述生成器G为采用有监督学习方式训练生成的G,该G包括:空间变换网络和合成网络;所述空间变换网络用于基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,获取扫描床板特征信息并输入所述合成网络,所述合成网络基于未作衰减校正的PET图像,提取该PET图像的第一特征信息并融合扫描床板特征信息,映射生成所述伪衰减系数图像。
2.根据权利要求1所述的方法,其特征在于,所述S10之前,还包括:
基于PET探测数据及该PET探测数据匹配的其他模态图像,获取用于训练生成器G的训练样本;
其中,每一训练样本包括:PET探测数据对应的真实线性衰减校正系数图像、未作衰减校正的PET图像、已知的扫描床板的衰减系数图像;所述其他模态图像用于获取真实的线性衰减校正系数图像;
训练过程中,基于每一训练样本中的未作衰减校正的PET图像和扫描床板的衰减系数图像输入G,并将G的输出和该训练样本的真实线性衰减校正系数图像均输入鉴别器D中,以对训练中G的输出进行判别,交替进行G和D的训练,使训练后的G生成输出的伪衰减系数图像与真实线性衰减校正系数图像匹配。
4.根据权利要求2所述的方法,其特征在于,所述合成网络包括:编码器、残差模块和解码器;三者按顺序串联;解码器与编码器具有相对称的结构,解码器与编码器之间使用跳跃连接,将编码器中输出的卷积特征传递到解码器中;
所述编码器包括:1个卷积层,3个下采样基本模块;第1个卷积层用于接收输入的未作衰减校正的PET图像以及空间变换网络输入的扫描床板特征信息,并进行卷积处理,获得卷积特征;
所有的下采样基本模块包括:步长为2的卷积层和激活函数;3个串联的下采样基本模块依次对输入的卷积特征进行处理,第3个下采样基本模块的输出将送入至残差模块中;
每个残差模块包括:两组串联的卷积和激活操作;每个残差模块的输出结果是由该残差模块的输入和第二组卷积和激活操作中的激活操作的输出像素级相加得到;
最后残差模块的输出结果被送入至解码器中;
解码器包括:3个上采样基本模块和1个卷积层;
上采样基本模块采用反卷积操作,上采样基本模块的输出将送入最后一个卷积层中,对输入的卷积特征进行卷积处理,输出伪衰减系数图像。
5.根据权利要求2所述的方法,其特征在于,空间变换网络包括:
位置定位模块和特征重采样模块;
位置定位模块用于提取输入的扫描床板的衰减系数图像和所述未作衰减校正的PET图像之间的空间位置关系信息,得到仿射变换矩阵参数;
位置定位模块包括:5层下采样模块、全连接层和激活函数;每个下采样模块包括:卷积、池化和激活操作,每个下采样模块用于使提取的特征图的尺寸减半;通过5层下采样模块输出的特征图展开为一维数组,并通过2组全连接层和激活函数后得到仿射变换矩阵参数;
特征重采样模块,用于根据所述仿射变换矩阵参数对输入的扫描床板的衰减系数图像进行重采样,得到修正的扫描床板特征图像作为获取的扫描床板特征信息。
6.一种PET图像重建方法,其特征在于,包括:
P01、针对待进行PET重建的探测数据,采用上述权利要求1所述的方法获取伪衰减系数图像μ0;
P02、基于该μ0和所述探测数据,重建PET放射性活度分布x。
7.根据权利要求6所述的方法,其特征在于,所述P02包括:
基于该μ0,采用交替迭代策略对衰减校正系数μ和PET放射性活度分布x进行交替迭代,获得满足最大化目标函数要求的x的估计值,作为所述探测数据的重建图像;
其中,交替迭代策略包括:先将μ0作为初始值,最大化目标函数来求解x,将求解的x作为常数,最大化目标函数来求解μ,依次交替操作,最大化目标函数得到最终重建的PET放射性活度分布x。
8.根据权利要求6所述的方法,其特征在于,所述P02包括:
基于该μ0,采用交替迭代策略对衰减校正系数μ和PET放射性活度分布x进行交替迭代,获得满足最大化目标函数要求的x的估计值,作为所述探测数据的重建图像;
其中,交替迭代策略包括:先将μ0作为初始值,最大化目标函数来求解x,将求解的x作为常数,最大化目标函数来求解μ,利用μ0对所述求解的μ进行调节,将调节后的μ作为常数,最大化目标函数来求解下一x,交替进行操作。
9.一种PET操作站,其特征在于,包括:存储器和处理器;所述存储器中存储有计算机程序指令,所述处理器执行所述存储器中存储的计算机程序指令,具体执行上述权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211431369.9A CN115908610A (zh) | 2022-11-14 | 2022-11-14 | 一种基于单模态pet图像获取衰减校正系数图像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211431369.9A CN115908610A (zh) | 2022-11-14 | 2022-11-14 | 一种基于单模态pet图像获取衰减校正系数图像的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908610A true CN115908610A (zh) | 2023-04-04 |
Family
ID=86477295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211431369.9A Pending CN115908610A (zh) | 2022-11-14 | 2022-11-14 | 一种基于单模态pet图像获取衰减校正系数图像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908610A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843788A (zh) * | 2023-08-31 | 2023-10-03 | 清华大学 | 一种有限角层析成像方法及装置 |
-
2022
- 2022-11-14 CN CN202211431369.9A patent/CN115908610A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843788A (zh) * | 2023-08-31 | 2023-10-03 | 清华大学 | 一种有限角层析成像方法及装置 |
CN116843788B (zh) * | 2023-08-31 | 2023-11-28 | 清华大学 | 一种有限角层析成像方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109805950B (zh) | 医用图像处理装置以及医用图像处理系统 | |
Zhou et al. | Limited view tomographic reconstruction using a cascaded residual dense spatial-channel attention network with projection data fidelity layer | |
CN106456098B (zh) | 衰减图的生成方法及系统 | |
US20180249979A1 (en) | Simultaneous ct-mri image reconstruction | |
JP2020036877A (ja) | 反復的画像再構成フレームワーク | |
US10803354B2 (en) | Cross-modality image synthesis | |
EP3559903A1 (en) | Machine learning of anatomical model parameters | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
US12073492B2 (en) | Method and system for generating attenuation map from SPECT emission data | |
CN106846430B (zh) | 一种图像重建方法 | |
US11420075B2 (en) | System and method for reconstructing image volumes from sparse two-dimensional projection data | |
CN105147312A (zh) | Pet图像获取方法及系统 | |
US20220130079A1 (en) | Systems and methods for simultaneous attenuation correction, scatter correction, and de-noising of low-dose pet images with a neural network | |
WO2020113148A1 (en) | Single or a few views computed tomography imaging with deep neural network | |
CN115861464A (zh) | 基于多模mri同步生成的伪ct合成方法 | |
CN115908610A (zh) | 一种基于单模态pet图像获取衰减校正系数图像的方法 | |
Li et al. | Eliminating CT radiation for clinical PET examination using deep learning | |
CN113344876B (zh) | 一种ct和cbct间可变形配准方法 | |
GB2576945A (en) | Image processing methods | |
US20160335785A1 (en) | Method of repeat computer tomography scanning and system thereof | |
CN115439572A (zh) | 一种衰减校正系数图像的获取方法、pet图像重建方法 | |
US10417793B2 (en) | System and method for data-consistency preparation and image reconstruction | |
CN111583354B (zh) | 医学图像处理单元的训练方法和医学图像运动估计方法 | |
JP2023067357A (ja) | 推論装置、医用画像診断装置、推論方法及び学習済みニューラルネットワーク生成方法 | |
CN110428384B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 |
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 |