CN116502701B - 衰减校正方法和装置、训练方法和装置、成像方法和系统 - Google Patents

衰减校正方法和装置、训练方法和装置、成像方法和系统 Download PDF

Info

Publication number
CN116502701B
CN116502701B CN202310779476.9A CN202310779476A CN116502701B CN 116502701 B CN116502701 B CN 116502701B CN 202310779476 A CN202310779476 A CN 202310779476A CN 116502701 B CN116502701 B CN 116502701B
Authority
CN
China
Prior art keywords
pet
image
training
attenuation correction
images
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.)
Active
Application number
CN202310779476.9A
Other languages
English (en)
Other versions
CN116502701A (zh
Inventor
李炳轩
房磊
张博
杨玲莉
陈维操
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.)
Hefei Ruishi Digital Technology Co ltd
Original Assignee
Hefei Ruishi Digital Technology 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 Hefei Ruishi Digital Technology Co ltd filed Critical Hefei Ruishi Digital Technology Co ltd
Priority to CN202310779476.9A priority Critical patent/CN116502701B/zh
Publication of CN116502701A publication Critical patent/CN116502701A/zh
Application granted granted Critical
Publication of CN116502701B publication Critical patent/CN116502701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了衰减校正方法和装置、训练方法和装置、成像方法和系统、电子设备及存储介质。该衰减校正方法包括：将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；利用所述生成CT图像对未校正PET图像或其对应的PET探测数据进行衰减校正，得到校正PET图像或校正PET探测数据。本申请的方案能够从未衰减校正的PET图像直接得到生成CT图像，从而应用于PET自衰减校正，患者在进行PET检测之后，无需再进行额外的CT或者MR扫描过程，降低了患者的不适感和对患者的辐射剂量，且大幅降低了使用成本。

Description

衰减校正方法和装置、训练方法和装置、成像方法和系统
技术领域
本申请涉及核探测领域，具体涉及衰减校正方法和装置、训练方法和装置、成像方法和系统。此外，本申请还涉及相关的电子设备及存储介质。
背景技术
正电子放射计算机断层显像（Positron Emission Computed Tomography，简称PET），是核医学领域中较为先进的临床检查影像技术。PET是一种非侵入性的成像方式，它通过使用放射性标记分子，比如利用氟18-氟代脱氧葡萄糖（FDG）作为生物标志物来提供直接成像，以评估葡萄糖代谢。其原理是，注射进人体内的物质在衰变过程中释放出正电子，一个正电子在行进一段距离遇到电子后就会发生湮灭，从而产生运动方向相反的一对能量为511KeV的光子，PET活性就是通过检测PET示踪剂发出的这么一对伽马射线来观察的。
在PET成像中，正电子湮灭产生的伽马光子在穿过人体组织时，由于不同的人体组织的密度和性质的不同，会导致伽马光子发生一定程度的能量衰减，从而影响PET成像的质量。在PET检测的过程中，这种衰减情况会导致PET成像的不准确进而影响医学检测的结果。因此在PET图像重建过程中，需要根据患者的骨骼、皮肤等人体组织结构来对PET原始数据进行衰减校正。
对于PET衰减这一问题，传统的解决方法有PET/MR衰减校正技术以及PET/CT衰减校正技术，这二者均是使用双模态成像的方法来进行PET衰减校正。PET/MR是将未衰减校正的PET图像与磁共振（MR）图像相结合，而PET/CT则是将未衰减校正的PET图像与X射线计算机断层扫描（CT）成像相结合，利用MR或者CT扫描得到的人体组织信息来辅助进行PET衰减校正。
然而上述两种方法都有其缺点。比如PET/MR衰减校正，它需要对患者进行PET和磁共振两种扫描，这不仅大大增加了成本，还对患者造成了更多的不适感。此外PET/MR的准确性也有些不尽人意，由于MR成像的原理是对人体内的氢原子进行磁化，以获得其产生的信号用来成像，水又占了人体内的大部分，因此MR成像获得的信息主要来自于人体内水分子在外加磁场中的变化情况，这也就导致常规的MR成像无法像CT一样直接获得某些组织对射线的衰减信息，并且对于骨皮质等缺乏水的致密组织存在成像盲区，而这些致密组织往往对PET成像过程中产生的伽马射线有较高的衰减作用，对PET自衰减校正重建的过程也很重要，这是PET/MR的一个致命的缺点。MR扫描相较于CT，扫描时间也往往更久，同时MR技术对扫描过程中的运动伪影也更加敏感，所以PET/MR衰减校正技术又容易受到患者身体一些运动的影响。
当前，许多医学工作者们选择去使用CT图像作为PET衰减校正的辅助，不过CT图像虽然能够良好地区分开骨结构以及空气、皮肤等组织，但为了获取CT图像，在临床使用时会对患者造成一定量辐射，而且额外的CT检查而导致的成本较高、患者不适的缺点。
当前，还提出在医学成像领域中利用机器学习或深度学习方法，但是这些基于机器学习或深度学习的衰减校正方法的衰减校正效果尚待提高。而且，某些基于机器学习或深度学习的衰减校正方法仍需要在PET扫描之外再进行额外检查获得MR图像或CT图像来辅助衰减校正。
背景技术描述的内容仅为了便于了解本领域的相关技术，不视作对现有技术的承认。
发明内容
因此，本申请意图提供衰减校正方法和装置、训练方法和装置、成像方法和系统、电子设备及存储介质，这些方案能够从未衰减校正的PET图像直接得到生成CT图像，从而应用于PET自衰减校正，患者在进行PET检测之后，无需再进行额外的CT或者MR扫描过程，降低了患者的不适感和对患者的辐射剂量，且大幅降低了使用成本。
在第一方面，提供一种衰减校正网络模型的训练方法，其可包括：
获取多个PET训练图像和对应的多个CT标签图像；
以所述多个PET训练图像为输入、所述多个CT标签图像和多个PET训练图像为标签、生成CT图像和PET生成图像为互逆输出，对可逆生成网络进行迭代训练，直至达到预设训练完成条件，并存储至少部分批次（batch）和/或代次（epoch）迭代训练得到的可逆生成网络模型；
在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
在本申请实施例中，所述可逆生成网络包括多个依次连接的可逆模块，每个可逆模块由可逆的双射函数表征。
在本申请实施例中，每个可逆模块包括用于分流的可逆1x1卷积、位于第一分流路径的多个耦合层和位于第二分流路径的多个耦合层，其中不同分流路径的耦合层通过变换函数互连，所述第一和第二分流路径经过所述耦合层后再彼此拼接。
在本申请实施例中，所述耦合层为仿射耦合层，且由下式表示：
其中，D为给定的维度，d为自然数且d＜D，m为输入，n为输出，s和t分别代表尺度变换函数和平移变换函数，⊙代表哈达玛积。
在本申请实施例中，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一通道复制层和位于所述多个依次连接的可逆模块逆向上游的第二通道复制层。
在本申请实施例中，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一归一化层和位于所述多个依次连接的可逆模块逆向上游的第二归一化层。
在本申请实施例中，可逆生成网络的迭代训练的每次迭代包括：
将所述PET训练图像正向输入所述可逆生成网络，输出对应的生成CT图像；
将所述生成CT图像逆向输入所述可逆生成网络，输出对应的PET生成图像；
基于所述生成CT图像和所述CT标签图像确定正向损失；
基于所述PET生成图像和所述PET训练图像确定逆向损失；
基于所述正向损失和逆向损失确定的总损失，更新所述可逆生成网络的参数。
在本申请实施例中，所述在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型，包括：
基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型；
基于第二判断标准在所述多个优选模型中选择所述最优模型，所述第一判断标准不同于所述第二判断标准。
在本申请实施例中，所述基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型，包括：
确定所述存储的可逆生成网络模型对应的生成CT图像和CT标签图像的第一相似度指标；
基于所述第一相似度指标，选择所述多个优选模型。
在本申请实施例中，所述基于第二判断标准在所述多个优选模型中选择所述最优模型，包括：
利用所述多个优选模型对应的生成CT图像对未校正PET图像进行第一衰减校正，得到第一校正PET图像；
利用所述多个优选模型对应的CT标签图像对未校正PET图像进行第二衰减校正，得到第二校正PET图像；
确定所述多个优选模型对应的第一校正PET图像和第二校正PET图像的第二相似度指标；
基于所述第二相似度指标，选择所述最优模型。
在本申请实施例中，所述相似度指标包括峰值信噪比（PSNR）、结构相似性（SSIM）、均方根误差（RMSE）、均方误差（MSE）或平均绝对误差（MAE）中的一个或多个。
在本申请实施例中，所述获取多个PET训练图像和对应的多个CT标签图像，包括：
获取多个原始PET图像；
获取对应的多个原始CT图像；
将所述多个原始PET图像与所述多个原始CT图像配准；
基于所述配准，调节所述多个原始CT图像与所述多个原始PET图像的尺寸一致，得到多个CT标签图像和多个PET训练图像。
在本申请实施例中，所述获取多个原始PET图像，包括：
对多个对象进行第一探测以获得第一探测数据；
对所述第一探测数据进行重建得到所述多个原始PET图像；
所述获取对应的多个原始CT图像，包括：
对所述多个对象进行第二探测以获得第二探测数据；
对所述多个第二探测数据进行重建得到所述多个原始CT图像。
在第二方面，提供一种衰减校正方法，其可包括：
将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型是利用PET训练图像和对应的CT标签图像训练得到的；
利用所述生成CT图像对未校正PET图像进行衰减校正得到校正PET图像。
在本申请实施例中，所述衰减校正网络模型可以由第一方面所述的训练方法训练而成。
在第三方面，提供一种衰减校正方法，其可包括：
将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型是利用PET训练图像和对应的CT标签图像训练得到的；
利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据。
在本申请实施例中，所述衰减校正网络模型可以由第一方面所述的训练方法训练而成。
在本申请实施例中，所述利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据，包括：
将所述生成CT图像转换成衰减因子正弦图；
利用所述衰减因子正弦图对未校正PET正弦图进行衰减校正得到校正PET正弦图，其中所述未校正PET探测数据包括所述未校正PET正弦图。
在第四方面，提供一种成像方法，其可包括：
获取对目标对象进行探测而获得的未校正PET探测数据；
对所述未校正PET探测数据进行第一图像重建，得到重建的未校正PET图像；
利用第四方面所述的衰减校正方法处理所述未校正PET图像得到校正PET探测数据；
对所述校正PET探测数据进行第二图像重建，得到校正PET图像作为成像图像。
在第五方面，提供一种衰减校正网络模型的训练方法，其可包括：
获取多个PET训练正弦图和对应的多个CT标签正弦图；
以所述多个PET训练正弦图为输入、所述多个CT标签正弦图和多个PET训练正弦图为标签、生成CT正弦图和PET生成正弦图为互逆输出，对可逆生成网络进行迭代训练，直至达到预设训练完成条件，并存储至少部分批次（batch）和/或代次（epoch）迭代训练得到的可逆生成网络模型；
在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
在第六方面，提供一种衰减校正方法，其可包括：
将未校正PET正弦图输入训练好的衰减校正网络模型，得到生成CT正弦图，所述衰减校正网络模型由第五方面所述的训练方法训练而成；
利用所述生成CT正弦图对未校正PET正弦图进行衰减校正得到校正PET正弦图。
在第七方面，提供一种成像方法，其可包括：
利用第六方面所述的衰减校正方法得到校正PET正弦图；
对校正PET正弦图进行图像重建，得到校正PET图像作为成像图像。
在第八方面，提供一种衰减校正网络模型的训练装置，其可包括：
获取单元，被配置成获取多个PET训练图像和对应的多个CT标签图像；
训练单元，被配置成以所述多个PET训练图像为输入、所述多个CT标签图像和多个PET训练图像为标签、生成CT图像和PET生成图像为互逆输出，对可逆生成网络进行迭代训练，直至达到预设训练完成条件；
存储单元，被配置成存储至少部分批次（batch）和/或代次（epoch）迭代训练得到的可逆生成网络模型；
确定单元，被配置成在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
在第九方面，提供一种衰减校正装置，其可包括：
衰减校正网络模型，被配置为将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型是利用PET训练图像和对应的CT标签图像训练得到的；
衰减校正单元，被配置为利用所述生成CT图像对所述未校正PET图像进行衰减校正得到校正PET图像。
在第十方面，提供一种衰减校正装置，其可包括：
衰减校正网络模型，被配置为将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型是利用PET训练图像和对应的CT标签图像训练得到的；
衰减校正单元，被配置为利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据。
在本申请实施例中，所述衰减校正网络模型可以由第一方面所述的训练方法训练而成。
在第十一方面，提供一种成像系统，其可包括：
获取单元，被配置为获取对目标对象进行探测而获得的未校正PET探测数据；
第一重建单元，被配置为对所述未校正PET探测数据进行第一图像重建，得到重建的未校正PET图像；
根据第十方面所述的衰减校正装置，被配置为处理所述未校正PET图像得到校正PET探测数据；
第二重建单元，被配置为对所述校正PET探测数据进行第二图像重建，得到校正PET图像作为成像图像。
在一些实施例中，所述获取单元为PET探测装置，被配置为对目标对象进行辐射探测而获得所述探测数据；所述PET探测装置包括多个闪烁晶体阵列，耦合到所述多个闪烁晶体阵列的多个光电转换单元以及电连接所述多个光电转换单元的读出电路模块。
在第十二方面，提供一种电子设备，其可包括：处理器和存储有计算机程序的存储器，所述处理器被配置为在运行计算机程序时执行本申请实施例所述的方法。
在第十三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置成被运行时执行本申请实施例所述的方法。
本申请实施例提出的方案，可以从未衰减校正的PET图像直接生成CT图像，并将得到的CT图像用于PET衰减校正，这无需再进行额外的CT或者MR扫描过程，降低了患者的不适感和对患者的辐射剂量，且大幅降低了使用成本。此外，本发明人发现，虽然本申请实施例方案由未衰减校正的PET图像直接生成的生成CT图像效果差强人意，但是令人意想不到的是，利用这些貌似不太“优秀”的生成CT图像进行PET衰减校正后的图像却呈现极佳的性能，图像评价指标优异。
本申请实施例的可选特征和其他效果一部分在下文描述，一部分可通过阅读本文而明白。
附图说明
结合附图来详细说明本申请的实施例，所示元件不受附图所显示的比例限制，附图中相同或相似的附图标记表示相同或类似的元件，其中：
图1示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图2A示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图2B示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图2C示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图3示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图4A示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图4B示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图4C示出了根据本申请实施例的衰减校正网络模型的训练方法的流程图；
图5示出了根据本申请实施例的衰减校正方法的流程图；
图6A示出了根据本申请实施例的衰减校正方法的流程图；
图6B示出了根据本申请实施例的衰减校正方法的流程图；
图7示出了根据本申请实施例的成像方法的流程图；
图8示出了本申请实施例的可逆生成网络的总体架构的进程示意图；
图9A示出了本申请实施例的可逆生成网络的正向和逆向过程的示意性架构图；
图9B示出了本申请实施例的可逆生成网络的可逆模块的示意性架构图；
图10示出了本申请实施例的可逆生成网络的批量归一化层和通道复制层的示意性架构图；
图11示出了利用本申请实施例的衰减校正网络模型生成的生成CT图像与其他图像的对照，其中分别示出未衰减校正的PET图像、原始CT图像、生成CT图像、以及原始CT图像和生成CT图像之间的残差图；
图12示出了利用本申请实施例的生成CT图像来对PET图像进行衰减校正后的校正PET图像，其中分别示出原始CT图像、使用原始CT图像衰减校正得到的校正PET图像、使用生成CT图像衰减校正得到的校正PET图像、以及两种校正PET图像之间残差图；
图13示出了根据本申请备选实施例的衰减校正网络模型的训练方法的流程图；
图14示出了根据本申请备选实施例的衰减校正方法的流程图；
图15示出了根据本申请备选实施例的成像方法的流程图；
图16示出了根据本申请实施例的衰减校正网络模型的训练装置的模块示意图；
图17示出了根据本申请实施例的衰减校正装置的模块示意图；
图18示出了根据本申请实施例的衰减校正装置的模块示意图；
图19示出了根据本申请实施例的成像系统的模块示意图；
图20示出了根据本申请实施例的电子设备的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合具体实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
本申请提供的衰减校正及其训练方法以及相关的成像方案涉及放射断层成像技术，尤其是正电子放射断层成像技术，并且可以适用于多种领域。
下面将参照附图，对本申请的具体实施例进行详细说明。
在本申请实施例中，本发明人有意设计一种基于可逆生成网络的衰减校正方法及相关的训练方法，使用深度学习的方法从未衰减校正的PET图像直接得到生成CT图像，从而将生成CT图像应用到PET衰减校正以及图像重建。
如图1示出了一种衰减校正网络模型的训练方法，其可包括步骤S110至S140：
S110：获取多个PET训练图像和对应的多个CT标签图像；
S120：对可逆生成网络进行迭代训练，直至达到预设训练完成条件；
S130：存储至少部分批次（batch）和/或代次（epoch）迭代训练得到的可逆生成网络模型；
S140：在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
在具体实施例中，如图2A所示，所述步骤S110可包括如下步骤S111至S114：
S111：获取多个原始PET图像。
在一些实施例中，如图2B所示，所述步骤S111可包括：
S1111：对多个对象进行第一探测以获得第一探测数据；
S1112：对所述第一探测数据进行重建得到所述多个原始PET图像。
S112：获取对应的多个原始CT图像。
在一些实施例中，如图2C所示，所述步骤S112可包括：
S1121：对所述多个对象进行第二探测以获得第二探测数据；
S1122：对所述多个第二探测数据进行重建得到所述多个原始CT图像。
S113：将所述多个原始PET图像与所述多个原始CT图像配准。
S114：基于所述配准，调节所述多个原始CT图像与所述多个原始PET图像的尺寸一致，得到多个CT标签图像和多个PET训练图像。
在步骤S110中，获取多个PET训练图像和对应的多个CT标签图像。换言之，所获取的训练数据是图像域的数据。
作为具体示例，上述的数据例如是患者的脑部数据，但是可以想到病患（人或动物）的其他部位的数据，或者假体的数据，或者仿真得到的数据。
下文将以患者的脑部数据作为具体示例进行描述。
例如，在步骤S111的子步骤S1111中，对多个患者，如36个患者进行PET探测以得到第一探测数据，例如包括PET探测正弦图。类似地，可以在步骤S112的子步骤S1121中，对这些患者进行CT探测（如X射线计算机断层扫描）以得到第二探测数据，例如包括CT探测正弦图。在一些实施例中，该第一探测（PET探测）和第二探测（CT探测）可以在同一设备中实现，例如在PET/CT设备中实现。
进一步地，例如分别在步骤S111的子步骤S1112和步骤S112的子步骤S1122中，可以利用重建算法将第一探测数据、如PET探测正弦图以及第二探测数据、如CT探测正弦图分别重建成未衰减校正的PET图像和扫描得到的CT图像，该扫描得到的CT图像可用于对PET图像进行衰减校正。上述重建算法可以利用已知的重建算法，在此不赘述，且它们可以是相同或不同的。
在步骤S113中，可以将所述多个原始PET图像与所述多个原始CT图像配准。换言之，将未衰减校正的PET与CT的切片位置一一配准，保证每一张PET图像有其对应位置的CT图像。在一些实施例中，所述配准可以为绝对配准或相对配准。在一些具体实施例中，所述配准可以采用互相关法、惯序相似度检测匹配法、相互信息法、基于变换域的图像配准方法、基于特征的图像配准方法中的一种或多种。配准方法可以利用各种已知的方法，在此不赘述。
进一步地，在步骤S114中，调节所述多个原始CT图像与所述多个原始PET图像的尺寸一致，得到多个CT标签图像和多个PET训练图像。在一些示例性实施例中，可以固定PET图像的大小，将CT图像缩小到与PET图像尺寸一致。例如，可以将512×512的CT图像缩小到与PET图像一样的250×250的尺寸。作为可选的手段，还可以检查图像中是否有脑部数据以外的干扰训练过程的多余部分，如有则可以进行适当裁剪。
作为可选的步骤，除了获取训练数据及对应的标签数据外，还可以获取验证数据，例如获取另外五位患者的脑部数据，如未校正PET数据和CT数据。
如图1所示，在上述步骤S120的迭代训练中，将以所述多个PET训练图像为输入，以所述多个CT标签图像和多个PET训练图像为标签、并且以生成CT图像和PET生成图像为互逆输出。具体来说，该可逆网络正向过程产生合成图像，逆向过程恢复原始图像，由此，可以将正向loss与逆向loss结合起来共同优化网络模型训练结果，如下文进一步描述。
在一些实施例中，结合图3和图8至图10描述迭代训练过程。
如图3所示，上述步骤S120的每次迭代可包括如下步骤，直至达到预设训练完成条件S126：
S121：将所述PET训练图像正向输入所述可逆生成网络，输出对应的生成CT图像；
S122：将所述生成CT图像逆向输入所述可逆生成网络，输出对应的PET生成图像；
S123：基于所述生成CT图像和所述CT标签图像确定正向损失；
S124：基于所述PET生成图像和所述PET训练图像确定逆向损失；
S125：基于所述正向损失和逆向损失确定的总损失，更新所述可逆生成网络的参数。
在具体实施例中，如图8-图10所示，可逆生成网络包括多个依次连接的可逆模块，也可称作可逆块（ReversibleBlock），每个可逆模块由可逆的双射函数表征，在此可逆生成网络的可逆结构可表示为/>，其中/>为双射函数。如图9A和图10所示，k=8，但是可以想到其他数量的可逆模块（双射函数）。
如图9B所示，每个可逆模块可包括用于分流的可逆1x1卷积、位于第一分流路径的多个耦合层和位于第二分流路径的多个耦合层，其中不同分流路径的耦合层通过变换函数互连，所述第一和第二分流路径经过所述耦合层后再彼此拼接。如图9B具体地示出，在第一和第二分流路径的耦合层可以通过变换函数r、尺度变换函数s、平移变换函数t等互联到另外的分流路径。
在一个具体示例中，所述耦合层可以为仿射耦合层（AffineCouplingLayer），且由下式表示：
其中，D为给定的维度，设d＜D，m为输入，n为输出，s和t分别代表尺度变换函数和平移变换函数，⊙代表哈达玛积。
由此，本申请实施例设计的网络结构中通过引入了仿射耦合层来实现网络的可逆性，并且利用可逆的1x1卷积作为仿射耦合层之间的可学习排列函数，从而实现了可逆网络结构的互逆生成的能力。
在一些实施例中，仿射耦合层以及可逆1x1卷积可以参考Kingma D P , DhariwalP . Glow: Generative Flow with Invertible 1x1 Convolutions:,10.48550/arXiv.1807.03039[P]. 2018.，其全文通过援引纳入本文。
在一个备选示例中，耦合层可以为加性耦合层（AddictiveCouplingLayer），这落入本申请范围内。
参考图9A和图10，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一通道复制层和位于所述多个依次连接的可逆模块逆向上游的第二通道复制层。可以在训练时将单通道的PET数据以及CT数据进行通道复制，达到变量增强的效果，以提升训练效果。如图9A和图10所示，在正向上，可以在可逆模块（f1）的上游设置第一通道复制层，用于复制未校正PET图像；相对应地，可以在逆向上，在可逆模块（f8）的上游设置第二通道复制层，用于复制CT图像，如生成CT图像。在一些实施例中，虽然可逆模块是可逆的，但通道复制层仅在可逆模块的上游设置，由此例如在正向上，PET训练数据在经过第一通道复制层及多个可逆模块的处理后，可以不经过第二通道复制层，反之亦然。尽管未示出，可以想到，在可逆模块的下游设置与通道复制层相反功能的通道合并层，但也可以想到复制多个标签进行损失计算，这都落入本申请的范围内。
继续参考图9A和图10，所述可逆生成网络还可包括位于所述多个依次连接的可逆模块正向上游的第一归一化层和位于所述多个依次连接的可逆模块逆向上游的第二归一化层。作为解释地，由于PET图像和CT图像的原始数值较大，可以在训练时需要将PET图像和CT图像数值都统一归一化为0-1的范围，以增加数据的匹配度，以避免出现损失爆炸，无法收敛等情况。在一些优选实施例中，当数据为分批（batch）数据时，归一化层可以为批量归一化（BN）层。
继续参考图3，在网络训练阶段，可以将PET训练数据输入网络进行迭代（iteration）学习，而CT标签数据（以及PET训练数据）本身可作为标签。如前所述地，在一些实施例中，数据是分批数据，由此每次迭代（iteration）可以执行一批（batch）数据的训练，而所有数据（所有批次）均执行完迭代后，则可以称为一代（epoch）。例如，假设有19600个训练数据，如未校正PET图像，若每批100个数据，则每次迭代（iteration）或者说每批（batch）将并行执行这100个数据；而当19600个训练数据全部执行完一次，即执行了196批次（batch）时，则可以称执行了一代（epoch）或一个“时代”数据。在本申请实施例中，将可以根据需要执行若干代次的迭代，如300代（epoch）。尽管描述了分批执行数据，但是可以想到数据是不分批的，即每批执行一个数据，这同样落在本申请范围内，且与本文所述的执行一代（epoch）或一个“时代”数据不冲突。
继续参考图3，在上述步骤S120的每次迭代中，在达到预设训练完成条件S126之前，可以在步骤S121中将所述PET训练图像正向输入所述可逆生成网络，输出对应的生成CT图像，并且可以在步骤S122中，将所述生成CT图像逆向输入所述可逆生成网络，输出对应的PET生成图像。
进一步地，可以在步骤S123中基于所述生成CT图像和所述CT标签图像确定正向损失L 1 ；并在S124中基于所述PET生成图像和所述PET训练图像确定逆向损失L 2 。由此，可以在S125中，基于所述正向损失和逆向损失确定的总损失L total ，更新所述可逆生成网络的参数。
如前所述地，在正向过程中，CT标签图像将作为标签，也可称为真值图像。而在反向过程中，PET训练图像本身将作为标签。
基于所述正向损失和逆向损失确定的总损失L total 可以是正向损失L 1 和逆向损失L 2 的加权和，例如如下式所示：
其中Y为CT标签图像，/>为网络中从源图像X得到的输出图像，/>为2-范数，L 1 代表PET生成图像与CT标签图像之间的损失，即正向损失，L 2 代表输入图像与PET训练图像之间的损失，即逆向损失，超参数λ为用来平衡正向损失和逆向损失的权重。
由此，在训练时通过计算损失，并例如通过梯度下降算法，可以迭代更新可逆生成网络的参数，直至达到预设训练完成条件S126。
在本申请实施例中，该预设训练完成条件126可以具有多种实现形式。例如，该预设训练完成条件126可以为预定的代数（epoch），例如预设训练完成条件126为达到300代（epoch）。或者，该预设训练完成条件126可以为总损失达到稳定收敛。或者，该预设训练完成条件126可以是收敛和预定的代数/批次/迭代的结合，例如，该预设训练完成条件126可以是总损失达到稳定收敛执行给定代数、批次、迭代次数，例如总损失达到稳定收敛执行1代或64批或64次迭代等，这都落入本申请的范围内。
继续参考图1，在步骤S140中，可以在至少部分批次（batch）/迭代（iteration）和/或至少部分代次（epoch）训练后，储存可逆生成网络模型，如此时更新的可逆生成网络的参数。
在一些实施例中，可以在每一次将所有数据训练完，就保存一个网络模型，即存储每一代次（epoch）训练后的网络模型。例如，当训练300代（epoch）时，存储每代训练后的300个网络模型。
在一些实施例中，可以仅存储部分网络模型，例如可以存储完成迭代前的100代次训练后的网络模型。
在一些实施例中，可以存储代次和批次（或迭代）相结合的模型，例如对于每代（epoch）有196批次（batch）的训练数据，可以存储最后10代的全部批次（迭代）训练后的网络模型，即10×196个网络模型。
存储网络模型的不同实施例可以与预设训练完成条件的不同实施例相结合得到各种不同的实施例，这落入本申请的范围内。
在一些实施例中，还可包括在存储的网络模型中选择最优模型的过程。
如图4A所示，所述步骤S140可包括：
S141：基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型；
S142：基于第二判断标准在所述多个优选模型中选择所述最优模型。
在本申请实施例中，所述第一判断标准不同于所述第二判断标准。
在一些实施例中，判断标准可以是图像的相似度指标。
在进一步的实施例中，第一判断标准可以是CT图像的相似度指标的判断。如图4B所示，所述步骤S141可包括：
S1411：确定所述存储的可逆生成网络模型对应的生成CT图像和CT标签图像的第一相似度指标；
S1412：基于所述第一相似度指标，选择所述多个优选模型。
在进一步的实施例中，第一判断标准可以是经CT图像进行衰减校正处理后的PET图像的相似度指标的判断。如图4C所示，所述步骤S142可包括：
S1421：利用所述多个优选模型对应的生成CT图像对未校正PET图像进行第一衰减校正，得到第一校正PET图像；
S1422：利用所述多个优选模型对应的CT标签图像对未校正PET图像进行第二衰减校正，得到第二校正PET图像；
S1423：确定所述多个优选模型对应的第一校正PET图像和第二校正PET图像的第二相似度指标；
S1424：基于所述第二相似度指标，选择所述最优模型。
在一些实施例中，上述步骤S1421和S1222的衰减校正是在投影域中实现的，例如参考下文图6A、图14和图15所述的方法。在此，例如可以将生成CT图像转换成衰减因子正弦图，也可称作CT正弦图，并用其衰减校正PET探测数据，如未校正的PET正弦图（直接获取未校正PET图像对应的探测数据或者将未校正PET图像转换成PET正弦图）。
在另外的备选实施例中，例如图8示意性地示出，上述步骤S1421和S1222的衰减校正是在图像域中实现的，例如参考下文图5所述的方法，例如可以将CT图像用于对PET图像直接进行衰减校正。
在本申请实施例中，所述相似度指标包括峰值信噪比（PSNR）、结构相似性（SSIM）、均方根误差（RMSE）、均方误差（MSE）或平均绝对误差（MAE）中的一个或多个。
具体地，例如利用验证数据的PET图像输入到各存储的网络模型中，以得到生成CT图像。接下来，可将生成CT图像与设备扫描得到的原CT图像（验证图像）进行比较和指标计算，先初步找到较好的网络模型。然后，再将生成CT图像和原CT图像（验证图像）用于PET衰减校正，对比这样得到的PET图像之间的相似性。
在一些实施例中，峰值信噪比（PSNR）可以根据下式确定：
其中，D为给定的维度，d为自然数且d＜D，m为输入，n为输出，s和t分别代表尺度变换函数和平移变换函数，⊙代表哈达玛积。其中，分别表示用于对比的图像两者，这取决于对比的是CT图像或PET图像。
在一些实施例中，结构相似性（SSIM）可以根据下式确定：
其中，/>表示均值，/>表示y的标准差，/>表示/>的标准差，中/>表示/>的协方差，其余为常数。
在一些实施例中，均方根误差（RMSE）、均方误差（MSE）或平均绝对误差（MAE）的表达式是常规的，将不赘述。
参考图11和图12示出本申请实施例的衰减校正网络结构以及相关的衰减校正方法及成像方法的效果示意图，其例如可以用验证数据来实施。图11示出了利用本申请实施例的衰减校正网络模型生成的生成CT图像与原始CT图像的对照，其中分别示出未衰减校正的PET图像、原始CT图像、生成CT图像、以及原始CT图像和生成CT图像之间的残差图。表1也示出了生成CT图像与原始CT图像的相似度指标值。如图11以及表1所示，可以看到生成CT图像与原CT图像之间并非特别相似，换言之，生成CT图像就还原度而言仅仅是差强人意。然而，参考图12示出的利用本申请实施例的生成CT图像来对PET图像进行衰减校正后的校正PET图像与利用原始CT图像来对PET图像进行衰减校正的对照，其中分别示出原始CT图像、使用原始CT图像衰减校正得到的校正PET图像、使用生成CT图像衰减校正得到的校正PET图像、以及两种校正PET图像之间残差图。表2也示出了利用原始CT图像衰减校正得到的校正PET图像和利用生成CT图像衰减校正得到的校正PET图像的相似度指标值。从图12和表2令人惊奇地发现，用并非特别相似的、即质量“不优秀”的生成CT图像能够获得非常优异的衰减校正效果。
基于以上的内容，可以发现本申请实施例的衰减校正网络结构以及相关的衰减校正方法及成像方法具有如下的优异效果：
（1）相比于本发明人已知的将未校正的PET图像输入训练好的深度学习或神经网络直接获得衰减校正的PET图像的方案，本申请实施例的方案充分利用了生成CT图像中像头骨这样的致密组织数据来实现对PET图像进行衰减校正，获得了更为优秀的衰减校正效果，并且避免出现这种已知的直接生成衰减校正的PET图像的方案可能出现的过拟合现象。而且对于医护人员而言，无需改变其临床技术或习惯，能直观感受医学应用中具有重要实践意义的CT图像数据。
（2）相比于本发明人已知的将MR图像或者CT图像（结合或不结合PET图像）输入到训练好的深度学习或神经网络来获得生成CT图像的方案，本申请实施例在衰减校正时省去了额外的CT或者MR扫描过程，降低了患者的不适感和对患者的辐射剂量，且大幅降低了使用成本。而且，重要的是，虽然本申请实施例的方案生成的CT图像貌似并“不优秀”，但是利用这些貌似不太“优秀”的生成CT图像进行PET衰减校正后的图像却呈现完全不逊色于利用真实CT扫描图像的极佳性能。
（3）本申请实施例在衰减校正模型使用了可逆的生成网络，而且训练中利用互逆的输出以及相应的损失来训练网络，相比于已知方案而言，训练速度极快，且有效避免过拟合等问题。
（4）本申请实施例的方案并非是直接使用训练好的衰减校正模型，而是通过存储多个可逆生成网络模型，并且通过生成CT图像本身的图像相似度和衰减校正图像的图像相似度指标来在多个存储模型中择优选择，这样可以进一步减少训练迭代次数/批次/轮次的情况下，获取优异的网络模型，且进一步避免了过拟合等问题。
继续参考图5描述根据本申请实施例的衰减校正方法。
如图5所示，提供一种衰减校正方法，其可包括：
S510：将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像；
S520：利用所述生成CT图像对未校正PET图像进行衰减校正得到校正PET图像。
在本申请实施例中，所述衰减校正网络模型是利用PET训练图像和对应的CT标签图像训练得到的。优选地，所述衰减校正网络模型可以由本申请所述的训练方法训练而成，例如图1至图4C所示的实施例中的训练方法训练而成。
如图10所示，在该实施例中，衰减校正是在图像域中实现的。由此，例如，图5的实施例还可以包括将未校正PET探测数据（正弦图）重建成未校正PET图像的步骤。
如图10所示，该未校正PET图像可以输入衰减校正网络模型得到生成CT图像，并且未校正PET图像和生成CT图像可以进一步输入重建单元进行重建，以得到校正后的PET图像。
相应地，在图5所示的实施例中，该衰减校正方法还可涉及图像重建方法或成像方法。
在图5所示的实施例中，上述重建未校正PET图像的图像重建利用的图像重建算法可以为滤波反投影、非滤波直接反投影、MELM、有序子集期望最大值 (Ordered SubsetExpectation Maximization，OSEM)算法。而利用生成CT图像进一步重建未校正PET图像的图像重建利用的迭代图像重建算法可以为OSEM算法。
在本申请优选实施例中，衰减校正是在投影域中进行的。
如图6A所示，提供一种衰减校正方法，其可包括：
S610：将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像；
S620：利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据。
在本申请实施例中，所述衰减校正网络模型是利用PET训练图像和对应的CT标签图像训练得到的。优选地，所述衰减校正网络模型可以由本申请所述的训练方法训练而成，例如图1至图4C所示的实施例中的训练方法训练而成。
在本申请实施例中，如图6B所示，所述步骤S620可包括：
S621：将所述生成CT图像转换成衰减因子正弦图；
S622：利用所述衰减因子正弦图对未校正PET正弦图进行衰减校正得到校正PET正弦图。
其中，所述未校正PET探测数据包括所述未校正PET正弦图。
在此，例如可以将生成CT图像转换成衰减因子正弦图，也可称作CT正弦图，并用其衰减校正PET探测数据，如未校正的PET正弦图。
相应地，在图6A和图6B的基础上，本申请实施例还涉及一种成像方法。
如图7所示，提供一种成像方法，其可包括：
S710：获取对目标对象进行探测而获得的未校正PET探测数据；
S720：对所述未校正PET探测数据进行第一图像重建，得到重建的未校正PET图像；
S730：利用衰减校正方法处理所述未校正PET图像得到校正PET探测数据；
S740：对所述校正PET探测数据进行第二图像重建，得到校正PET图像作为成像图像。
所述衰减校正方法例如是图6A至图6B所示的实施例的衰减校正方法。
在一些实施例中，所述第一图像重建和第二图像重建可以是相同或不同的图像重建。
在该实施例中，该未校正PET探测数据可以包括未校正PET正弦图。相应地，第一图像重建可以由未校正PET正弦图重建得到未校正PET图像。相应地，可以利用由生成CT图像转换成的衰减因子正弦图（CT正弦图）对未校正PET正弦图进行衰减校正，由此可以得到校正PET正弦图。即，校正PET探测数据可包括校正PET正弦图。相应地，第二图像重建可以由校正PET正弦图重建得到校正PET图像。
在上文中描述了衰减校正模型的训练方法、衰减校正方法、成像方法等众多实施例，这些实施例中的衰减校正模型中的未校正PET数据与生成CT数据的映射是在图像域中实现的。然而，在本申请的备选实施例中，还提出在投影域实现未校正PET数据与生成CT数据的映射，这同样落入本申请的范围内。
在本申请备选实施例中，如图13所示，还提供一种衰减校正网络模型的训练方法，其可包括：
S1310：获取多个PET训练正弦图和对应的多个CT标签正弦图；
S1320：对可逆生成网络进行迭代训练，直至达到预设训练完成条件。
作为解释说明，在这些实施例中，将以所述多个PET训练正弦图为输入，以所述多个CT标签正弦图和多个PET训练正弦图为标签，并以生成CT正弦图和PET生成正弦图为互逆输出。
S1330：存储至少部分批次和/或代次迭代训练得到的可逆生成网络模型；
S1340：在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
如前所述地，在图13所示的实施例中，训练的数据、标签数据以及输出数据均为投影域数据，例如为正弦图。相应地，最后确定的衰减校正网络模型的输入和输出分别将为未校正PET正弦图和生成CT正弦图。
相应地，在本申请备选实施例中，如图14所示，还提供一种衰减校正方法，其可包括：
S1410：将未校正PET正弦图输入训练好的衰减校正网络模型，得到生成CT正弦图；
S1420：利用所述生成CT正弦图对未校正PET正弦图进行衰减校正得到校正PET正弦图。
在本申请实施例中，所述衰减校正网络模型是利用PET训练正弦图和对应的CT标签正弦图训练得到的。优选地，所述衰减校正网络模型可以由本申请所述的应用于投影域的训练方法训练而成，例如图13所示的实施例中的训练方法训练而成。
相应地，在本申请被选实施例中，如图15所示，还提供一种成像方法，其可包括：
S1510：利用衰减校正方法得到校正PET正弦图；
S1520：对校正PET正弦图进行图像重建，得到校正PET图像作为成像图像。
所述衰减校正方法例如是图14所示的实施例的衰减校正方法。
在图14和图15所示的实施例中所述的方法与图6A、图6B和图7所述的方法区别在于，图14和图15所示的实施例中的方法中，衰减校正网络模型输出的数据即为生成CT正弦图，无需再像图6A、图6B和图7所述的方法那样转换成衰减因子正弦图（CT正弦图）来对未校正PET正弦图进行衰减校正。
人们将明白，除非有特别说明，不同实施例所述的方法的特征可以通过不矛盾的方式结合到其他实施例以获得新的实施例。
在本申请一些实施例中所述的方法和网络模型可以在例如Pytorch中实现，并例如在配备Intel Core i9-7900中央处理器和GeForce Titan XP的计算机进行实验。但是，可以想到在其他的机器学习平台中实现相关的方法和架构，也可以想到在其他结构，如本文其他部分描述的电子设备中实现所需的计算能力。
在本申请实施例中，如图16所示，还提供一种衰减校正网络模型的训练装置1600，其可包括：获取单元1610，被配置成获取多个PET训练图像和对应的多个CT标签图像；训练单元1620，被配置成以所述多个PET训练图像为输入、所述多个CT标签图像和多个PET训练图像为标签、生成CT图像和PET生成图像为互逆输出，对可逆生成网络进行迭代训练，直至达到预设训练完成条件；存储单元1630，被配置成存储至少部分批次和/或代次迭代训练得到的可逆生成网络模型；确定单元1640，被配置成在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
在本申请实施例中，如图17所示，还提供一种衰减校正装置1700，其可包括：衰减校正网络模型1710，被配置为将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像；衰减校正单元1720，被配置为利用所述生成CT图像对未校正PET图像进行衰减校正得到校正PET图像。
在本申请实施例中，如图18所示，还提供一种衰减校正装置1800，其可包括：衰减校正网络模型1810，被配置为将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像；衰减校正单元1820，被配置为利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据。
在本申请实施例中，如图19所示，还提供一种成像系统1900，其可包括：获取单元1910，被配置为获取对目标对象进行探测而获得的未校正PET探测数据；第一重建单元1920，被配置为对所述未校正PET探测数据进行第一图像重建，得到重建的未校正PET图像；衰减校正装置1930，被配置为处理所述未校正PET图像得到校正PET探测数据；第二重建单元1940，被配置为对所述校正PET探测数据进行第二图像重建，得到校正PET图像作为成像图像。
优选地，所述获取单元为PET探测装置，被配置为对目标对象进行辐射探测而获得所述探测数据。尽管未示出，PET探测装置可选包括多个闪烁晶体阵列，耦合到所述多个闪烁晶体阵列的多个光电转换单元以及电连接所述多个光电转换单元的读出电路模块。
本领域技术人员将明白，在本申请实施例中所述的装置、设备可以结合本申请实施例中所述的方法特征，反之亦然。
本申请实施例还涉及能够实施本申请实施例方法的电子设备。
在一些实施例中，提供了一种电子设备，其可包括处理器和存储有计算机程序的存储器，所述处理器被配置为在运行计算机程序时执行本申请任一实施例的方法。
图20示出了一种可以实施本申请实施例的方法的示例性电子设备2000的示意图，在一些实施例中可以包括比图示更多或更少的电子设备。在一些实施例中，可以利用单个或多个电子设备实施。在一些实施例中，可以利用云端或分布式的电子设备实施。
如图20所示，电子设备2000包括处理器2001，其可以根据存储在只读存储器（ROM）2002中的程序和/或数据或者从存储部分2008加载到随机访问存储器（RAM）2003中的程序和/或数据而执行各种适当的操作和处理。处理器2001可以为单核或多核的处理器，也可以包含多个处理器。在一些实施例中，处理器2001可以包括通用的主处理器（如CPU）以及一个或多个特殊的协处理器，例如图形处理器（GPU）、神经网络处理器（NPU）、数字信号处理器（DSP）或其他通用或专用集成电路等。在RAM2003中，还存储有电子设备2000操作所需的各种程序和数据。处理器2001、ROM2002以及RAM 2003通过总线2004彼此相连。输入/输出（I/O）接口2005也连接至总线2004。
上述处理器与存储器共同用于执行存储在存储器中的程序，所述程序被计算机执行时能够实现上述各实施例描述的方法的步骤或功能。
以下部件连接至I/O接口2005：包括键盘、鼠标等的输入部分2006；包括诸如显示器以及扬声器等的输出部分2007；包括硬盘等的存储部分2008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分2009。通信部分2009经由诸如因特网的网络执行通信处理。驱动器2010也根据需要连接至I/O接口2005。可拆卸介质2011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器2010上，以便于从其上读出的计算机程序根据需要被安装入存储部分2008。
图20仅示意性示出示意性的电子设备，但根据本申请实施例的电子设备可以包括比图20所示电子设备更多或更少的组件或者具有与图20所示实施例设备相同、部分相同或不相同的架构。
在一些实施例中，还可以将所述电子设备与各种部件相结合，以得到具有本发明优点的方法、装置和系统。
尽管未示出，在一些实施例中还提供一种计算机可读存储介质，存储有计算机程序，计算机程序配置成被运行时执行任一本申请实施例的方法。该计算机程序包含组成根据本申请实施例的装置的各个程序模块/单元，各个程序模块/单元构成的计算机程序被执行时能够实现与上述实施例中描述的方法中的各个步骤所对应的功能。该计算机程序还可在如本申请实施例所述的电子设备上运行。
在本申请的实施例的存储介质包括非易失性和/或易失性的可以由任何方法或技术来实现信息存储的物品。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本领域技术人员应明白，本说明书的实施例可以以方法、系统或计算机程序产品等多种形式实施。因此，本领域技术人员可想到，上述实施例阐明的功能模块/单元或控制器以及相关方法步骤的实现，可以用软件、硬件和软/硬件结合的方式实现。
除非明确指出，根据本申请实施例记载的方法、程序的动作或步骤并不必须按照特定的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本文中，针对多个实施例进行了描述，但为简明起见，各实施例的描述并不是详尽的，各个实施例之间相同或相似的特征或部分可能会被省略。在本文中，“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”意指适用于根据本申请的至少一个实施例或示例中，而非所有实施例。上述术语并不必然意味着指代相同的实施例或示例。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。
已参考上述实施例具体示出并描述了本申请的示例性系统及方法，其仅为实施本系统及方法的最佳模式的示例。本领域的技术人员可以理解的是可以在实施本系统及/或方法时对这里描述的系统及方法的实施例做各种改变而不脱离界定在所附权利要求中的本发明的精神及范围。

Claims (26)

1.一种衰减校正网络模型的训练方法，其特征在于，包括：
获取多个PET训练图像和对应的多个CT标签图像，包括：将获取的多个原始PET图像与获取的多个原始CT图像配准；基于所述配准，调节所述多个原始CT图像与所述多个原始PET图像的尺寸一致，得到多个CT标签图像和多个PET训练图像；
以所述多个PET训练图像为输入、所述多个CT标签图像和多个PET训练图像为标签、生成CT图像和PET生成图像为互逆输出，对可逆生成网络进行迭代训练，包括：将所述PET训练图像正向输入所述可逆生成网络，输出对应的生成CT图像，CT标签图像作为标签；将所述生成CT图像逆向输入所述可逆生成网络，输出对应的PET生成图像，PET训练图像作为标签；直至达到预设训练完成条件，并存储至少部分批次和/或代次迭代训练得到的可逆生成网络模型；
在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
2.根据权利要求1所述的训练方法，其特征在于，所述可逆生成网络包括多个依次连接的可逆模块，每个可逆模块由可逆的双射函数表征。
3.根据权利要求2所述的训练方法，其特征在于，每个可逆模块包括用于分流的可逆1x1卷积、位于第一分流路径的多个耦合层和位于第二分流路径的多个耦合层，其中不同分流路径的耦合层通过变换函数互连，所述第一和第二分流路径经过所述耦合层后再彼此拼接。
4.根据权利要求3所述的训练方法，其特征在于，所述耦合层为仿射耦合层，且由下式表示：其中，D为给定的维度，d为自然数且d<D，m为输入，n为输出，s和t分别代表尺度变换函数和平移变换函数，⊙代表哈达玛积。
5.根据权利要求2所述的训练方法，其特征在于，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一通道复制层和位于所述多个依次连接的可逆模块逆向上游的第二通道复制层。
6.根据权利要求2所述的训练方法，其特征在于，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一归一化层和位于所述多个依次连接的可逆模块逆向上游的第二归一化层。
7.根据权利要求1至6中任一项所述的训练方法，其特征在于，每次迭代还包括：
基于所述生成CT图像和所述CT标签图像确定正向损失；
基于所述PET生成图像和所述PET训练图像确定逆向损失；
基于所述正向损失和逆向损失确定的总损失，更新所述可逆生成网络的参数。
8.根据权利要求1至6中任一项所述的训练方法，其特征在于，所述在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型，包括：
基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型；
基于第二判断标准在所述多个优选模型中选择所述最优模型；
其中，所述第一判断标准和所述第二判断标准均是图像的相似度指标，所述第一判断标准不同于所述第二判断标准。
9.根据权利要求8所述的训练方法，其特征在于，所述基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型，包括：
确定所述存储的可逆生成网络模型对应的生成CT图像和CT标签图像的第一相似度指标；
基于所述第一相似度指标，选择所述多个优选模型。
10.根据权利要求8所述的训练方法，其特征在于，所述基于第二判断标准在所述多个优选模型中选择所述最优模型，包括：
利用所述多个优选模型对应的生成CT图像对未校正PET图像进行第一衰减校正，得到第一校正PET图像；
利用所述多个优选模型对应的CT标签图像对未校正PET图像进行第二衰减校正，得到第二校正PET图像；
确定所述多个优选模型对应的第一校正PET图像和第二校正PET图像的第二相似度指标；
基于所述第二相似度指标，选择所述最优模型。
11.根据权利要求9或10所述的训练方法，其特征在于，所述相似度指标包括峰值信噪比、结构相似性、均方根误差、均方误差或平均绝对误差中的一个或多个。
12.根据权利要求1所述的训练方法，其特征在于，
获取多个原始PET图像，包括：
对多个对象进行第一探测以获得第一探测数据；
对所述第一探测数据进行重建得到所述多个原始PET图像；
获取对应的多个原始CT图像，包括：
对所述多个对象进行第二探测以获得第二探测数据；
对多个所述第二探测数据进行重建得到所述多个原始CT图像。
13.一种衰减校正方法，其特征在于，包括：
将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；所述衰减校正网络模型由根据权利要求1至12中任一项所述的训练方法训练而成；
利用所述生成CT图像对所述未校正PET图像进行衰减校正得到校正PET图像。
14.一种衰减校正方法，其特征在于，包括：
将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；所述衰减校正网络模型由根据权利要求1至12中任一项所述的训练方法训练而成；
利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据。
15.根据权利要求14所述的衰减校正方法，其特征在于，所述利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据，包括：
将所述生成CT图像转换成衰减因子正弦图；
利用所述衰减因子正弦图对未校正PET正弦图进行衰减校正得到校正PET正弦图，其中所述未校正PET探测数据包括所述未校正PET正弦图。
16.一种成像方法，其特征在于，包括：
获取对目标对象进行探测而获得的未校正PET探测数据；
对所述未校正PET探测数据进行第一图像重建，得到重建的未校正PET图像；
利用根据权利要求14或15所述的衰减校正方法处理所述未校正PET图像得到校正PET探测数据；
对所述校正PET探测数据进行第二图像重建，得到校正PET图像作为成像图像。
17.一种衰减校正网络模型的训练方法，其特征在于，包括：
获取多个PET训练正弦图和对应的多个CT标签正弦图，包括：将获取的多个原始PET正弦图与获取的多个原始CT正弦图配准；基于所述配准，调节所述多个原始CT正弦图与所述多个原始PET正弦图的尺寸一致，得到多个CT标签正弦图和对应的多个PET训练正弦图；
以所述多个PET训练正弦图为输入、所述多个CT标签正弦图和多个PET训练正弦图为标签、生成CT正弦图和PET生成正弦图为互逆输出，对可逆生成网络进行迭代训练，包括：将所述PET训练正弦图正向输入所述可逆生成网络，输出对应的生成CT正弦图，CT标签正弦图作为标签；将所述生成CT正弦图逆向输入所述可逆生成网络，输出对应的PET生成正弦图，PET训练正弦图作为标签；直至达到预设训练完成条件，并存储至少部分批次和/或代次迭代训练得到的可逆生成网络模型；
在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
18.一种衰减校正方法，其特征在于，包括：
将未校正PET正弦图输入训练好的衰减校正网络模型，得到生成CT正弦图，所述衰减校正网络模型由权利要求17所述的训练方法训练而成；
利用所述生成CT正弦图对未校正PET正弦图进行衰减校正得到校正PET正弦图。
19.一种成像方法，其特征在于，包括：
利用根据权利要求18所述的衰减校正方法得到校正PET正弦图；
对校正PET正弦图进行图像重建，得到校正PET图像作为成像图像。
20.一种衰减校正网络模型的训练装置，其特征在于，包括：
获取单元，被配置成获取多个PET训练图像和对应的多个CT标签图像，包括：将获取的多个原始PET图像与获取的多个原始CT图像配准；基于所述配准，调节所述多个原始CT图像与所述多个原始PET图像的尺寸一致，得到多个CT标签图像和多个PET训练图像；
训练单元，被配置成以所述多个PET训练图像为输入、所述多个CT标签图像和多个PET训练图像为标签、生成CT图像和PET生成图像为互逆输出，对可逆生成网络进行迭代训练，包括：将所述PET训练图像正向输入所述可逆生成网络，输出对应的生成CT图像，CT标签图像作为标签；将所述生成CT图像逆向输入所述可逆生成网络，输出对应的PET生成图像，PET训练图像作为标签；直至达到预设训练完成条件；
存储单元，被配置成存储至少部分批次和/或代次迭代训练得到的可逆生成网络模型；
确定单元，被配置成在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
21.一种衰减校正装置，其特征在于，包括：
衰减校正网络模型，被配置为将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；所述衰减校正网络模型由根据权利要求1至12中任一项所述的训练方法训练而成；
衰减校正单元，被配置为利用所述生成CT图像对所述未校正PET图像进行衰减校正得到校正PET图像。
22.一种衰减校正装置，其特征在于，包括：
衰减校正网络模型，被配置为将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；所述衰减校正网络模型由根据权利要求1至12中任一项所述的训练方法训练而成；
衰减校正单元，被配置为利用所述生成CT图像对所述未校正PET图像对应的未校正PET探测数据进行衰减校正得到校正PET探测数据。
23.一种成像系统，其特征在于，包括：
获取单元，被配置为获取对目标对象进行探测而获得的未校正PET探测数据；
第一重建单元，被配置为对所述未校正PET探测数据进行第一图像重建，得到重建的未校正PET图像；
根据权利要求22所述的衰减校正装置，被配置为处理所述未校正PET图像得到校正PET探测数据；
第二重建单元，被配置为对所述校正PET探测数据进行第二图像重建，得到校正PET图像作为成像图像。
24.根据权利要求23所述的成像系统，其特征在于，所述获取单元为PET探测装置，被配置为对目标对象进行辐射探测而获得所述探测数据；所述PET探测装置包括多个闪烁晶体阵列，耦合到所述多个闪烁晶体阵列的多个光电转换单元以及电连接所述多个光电转换单元的读出电路模块。
25.一种电子设备，其特征在于，包括：处理器和存储有计算机程序的存储器，所述处理器被配置为在运行计算机程序时执行权利要求1至19中任一项所述的方法。
26.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置成被运行时执行权利要求1至19中任一项所述的方法。
CN202310779476.9A 2023-06-29 2023-06-29 衰减校正方法和装置、训练方法和装置、成像方法和系统 Active CN116502701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310779476.9A CN116502701B (zh) 2023-06-29 2023-06-29 衰减校正方法和装置、训练方法和装置、成像方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310779476.9A CN116502701B (zh) 2023-06-29 2023-06-29 衰减校正方法和装置、训练方法和装置、成像方法和系统

Publications (2)

Publication Number Publication Date
CN116502701A CN116502701A (zh) 2023-07-28
CN116502701B true CN116502701B (zh) 2023-10-20

Family

ID=87325347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310779476.9A Active CN116502701B (zh) 2023-06-29 2023-06-29 衰减校正方法和装置、训练方法和装置、成像方法和系统

Country Status (1)

Country Link
CN (1) CN116502701B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886909A (zh) * 2019-02-18 2019-06-14 上海健康医学院 一种基于ct图像合成pet-ct图像的方法
CN111105472A (zh) * 2019-11-26 2020-05-05 上海联影智能医疗科技有限公司 Pet图像的衰减校正方法、装置、计算机设备和存储介质
CN114358285A (zh) * 2022-01-11 2022-04-15 浙江大学 一种基于流模型的pet系统衰减校正方法
WO2022094779A1 (zh) * 2020-11-04 2022-05-12 深圳先进技术研究院 一种由pet图像生成ct图像的深度学习框架和方法
CN115439572A (zh) * 2022-10-17 2022-12-06 赛诺联合医疗科技（北京）有限公司 一种衰减校正系数图像的获取方法、pet图像重建方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697741B (zh) * 2018-12-28 2023-06-16 上海联影智能医疗科技有限公司 一种pet图像重建方法、装置、设备及介质
US11475535B2 (en) * 2019-09-25 2022-10-18 Siemens Medical Solutions Usa, Inc. PET-CT registration for medical imaging
US20220099770A1 (en) * 2020-09-25 2022-03-31 Siemens Medical Solutions Usa, Inc. Attenuation map estimation of rf coils
US11823354B2 (en) * 2021-04-08 2023-11-21 GE Precision Healthcare LLC System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector
US20230079353A1 (en) * 2021-09-14 2023-03-16 Siemens Healthcare Gmbh Image correction using an invertable network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886909A (zh) * 2019-02-18 2019-06-14 上海健康医学院 一种基于ct图像合成pet-ct图像的方法
CN111105472A (zh) * 2019-11-26 2020-05-05 上海联影智能医疗科技有限公司 Pet图像的衰减校正方法、装置、计算机设备和存储介质
WO2022094779A1 (zh) * 2020-11-04 2022-05-12 深圳先进技术研究院 一种由pet图像生成ct图像的深度学习框架和方法
CN114358285A (zh) * 2022-01-11 2022-04-15 浙江大学 一种基于流模型的pet系统衰减校正方法
CN115439572A (zh) * 2022-10-17 2022-12-06 赛诺联合医疗科技（北京）有限公司 一种衰减校正系数图像的获取方法、pet图像重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Variable Augmented Network for Invertible Modality Synthesis and Fusion;Yuhao Wang等;《IEEE Journal of Biomedical and Health Informatics 》;2898-2909 *
浅谈一体化PET/MRI设备衰减校正技术;郭辉;樊虹;李昂;尹赛赛;杨刚;;生物医学工程与临床(02);107-109 *

Also Published As

Publication number Publication date
CN116502701A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Gong et al. Iterative PET image reconstruction using convolutional neural network representation
Zhou et al. Limited view tomographic reconstruction using a cascaded residual dense spatial-channel attention network with projection data fidelity layer
Whiteley et al. FastPET: near real-time reconstruction of PET histo-image data using a neural network
Cheng et al. Applications of artificial intelligence in nuclear medicine image generation
US20220130079A1 (en) Systems and methods for simultaneous attenuation correction, scatter correction, and de-noising of low-dose pet images with a neural network
Sanaat et al. Fast dynamic brain PET imaging using stochastic variational prediction for recurrent frame generation
CN112419303A (zh) 神经网络训练方法、系统、可读存储介质和设备
WO2023134030A1 (zh) 一种基于流模型的pet系统衰减校正方法
US20230230297A1 (en) Ai-enabled early-pet acquisition
Hashimoto et al. Deep learning-based PET image denoising and reconstruction: a review
Izadi et al. Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks
Valiollahzadeh et al. Using compressive sensing to recover images from PET scanners with partial detector rings
Zhang et al. CT image reconstruction algorithms: A comprehensive survey
CN116502701B (zh) 衰减校正方法和装置、训练方法和装置、成像方法和系统
Whiteley et al. FastPET: Near real-time PET reconstruction from histo-images using a neural network
Jiao et al. Fast PET reconstruction using multi-scale fully convolutional neural networks
Zhang et al. Deep generalized learning model for PET image reconstruction
US10217250B2 (en) Multi-view tomographic reconstruction
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
CN115423892A (zh) 一种基于最大期望网络的无衰减校正pet重建方法
Wang et al. An improved PET image reconstruction method based on super-resolution
CN117218012A (zh) 儿童pet校正网络模型的训练方法和装置、设备及介质
Zhang et al. Low dose SPECT image denoising using a generative adversarial network
Alhassen et al. Ultrafast multipinhole single photon emission computed tomography iterative reconstruction using CUDA
US11354830B2 (en) System and method for tomographic image reconstruction

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
GR01 Patent grant
GR01 Patent grant