CN117084705A - 基于门控的pet图像衰减校正方法、系统、装置及存储介质 - Google Patents
基于门控的pet图像衰减校正方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN117084705A CN117084705A CN202310931191.2A CN202310931191A CN117084705A CN 117084705 A CN117084705 A CN 117084705A CN 202310931191 A CN202310931191 A CN 202310931191A CN 117084705 A CN117084705 A CN 117084705A
- Authority
- CN
- China
- Prior art keywords
- pet image
- attenuation correction
- gating
- image
- pet
- 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 147
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 238000002600 positron emission tomography Methods 0.000 description 174
- 238000002591 computed tomography Methods 0.000 description 24
- 230000000747 cardiac effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002107 myocardial effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- WOWHHFRSBJGXCM-UHFFFAOYSA-M cetyltrimethylammonium chloride Chemical compound [Cl-].CCCCCCCCCCCCCCCC[N+](C)(C)C WOWHHFRSBJGXCM-UHFFFAOYSA-M 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 239000012216 imaging agent Substances 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000005255 beta decay Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- WQZGKKKJIJFFOK-UKLRSMCWSA-N dextrose-2-13c Chemical compound OC[C@H]1OC(O)[13C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-UKLRSMCWSA-N 0.000 description 1
- 239000003574 free electron Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229930182851 human metabolite Natural products 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于门控的PET图像衰减校正方法、系统、装置及存储介质,涉及医学成像技术领域。本申请通过获取多个第一PET图像数据对,PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像,基于心电门控技术对第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,基于多个第二PET图像数据对形成的训练数据集训练衰减校正模型,将训练好的衰减校正模型应用于对待校正门控PET图像的校正处理,得到衰减校正后的门控PET图像。本发明利用深度学习算法构建衰减校正模型,在衰减校正过程中,不依赖于CT图像或者其他扫描图像,减少由于运动带来的伪影影响,提高PET图像的衰减校正效果。
Description
技术领域
本发明涉及医学成像技术领域,尤其涉及一种基于门控的PET图像衰减校正方法、系统、装置及存储介质。
背景技术
PET显像技术的本质是在具有放射性的示踪剂注射入受检者体内后,对其所发生的β衰变中所发出的β+粒子在较短时间内与邻近的自由电子碰撞而发生湮灭辐射所转变成的两个能量同为511keV,方向相反的γ光子的捕获与显像。门控心脏PET图像的定量或半定量参数,如心肌血流量(Myocardial Blood Flow,MBF)、心肌血流储备(Myocardial FlowReserve,MFR)和标准摄取值(Standard Uptake Value,SUV)的精确度受到许多物理因素的影响,包括光子衰减、散射、随机事件和延迟。其中光子衰减对PET定量或半定量参数的精确度影响较大,由于γ光子在到达PET探测器过程中,往往需要穿过不同的人体组织,而因不同人体组织的组织密度等物理特性的不同,造成不同组织对γ光子有不同的能量衰减作用,因此在PET图像重建过程中,往往需要根据受检者的组织结构信息对PET源数据进行衰减校正,从而获得更准确的PET活度分布图像,以提高PET定量或半定量参数的准确度。
随着PET/CT的发展和普及,基于CT的衰减校正方法已广泛应用于门控心脏PET图像的衰减校正,在短扫描时间中显示出低噪声水平、高分辨率的优势。然而,基于CT的门控心脏PET图像衰减校正方法会受到CT伪影传播以及CT和PET数据潜在的不匹配的限制。对于门控心脏PET图像,门控技术只是降低了心脏运动对PET重建的影响,并没有解决呼吸运动和患者突然运动导致PET图像与CT不匹配的问题,这些不匹配会导致伪影的产生。此外,大多数的CT图像是非门控的,与门控的PET图像难以精确匹配,使得伪影的传播更加严重,造成PET图像质量差及不准确的图像估计。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于门控的PET图像衰减校正方法、系统、装置及存储介质,能够直接对PET图像进行衰减校正,提高PET图像处理效果。
一方面,本发明实施例提供了一种基于门控的PET图像衰减校正方法,包括以下步骤:
获取待校正门控PET图像;
将所述待校正门控PET图像输入基于神经网络的衰减校正模型,得到衰减校正后的门控PET图像;
其中,所述衰减校正模型通过以下步骤获得:
获取多个第一PET图像数据对,其中,所述第一PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像;
基于心电门控技术,对所述第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集;
将所述训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型。
根据本发明一些实施例,所述基于心电门控技术,对所述PET图像数据对中的所述第一PET图像和所述第二PET图像分别进行配准得到第二PET图像数据对包括以下步骤:
将所述第一PET图像数据对中的第一PET图像配准到对应心电周期中心脏舒张末期的门控图像,得到第一门控PET图像;
将所述第一PET图像数据对中的第二PET图像配准到对应心电周期中心脏舒张末期的门控图像,得到第二门控PET图像;
根据所述第一门控PET图像和所述第二门控PET图像形成第二PET图像数据对。
根据本发明一些实施例,所述将所述训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型包括以下步骤:
将所述训练数据集中的第一门控PET图像输入初始化后的衰减校正模型进行正向传递,得到预测图像;
根据所述预测图像和所述训练数据集中对应的第二门控PET图像,得到模型损失值;
根据所述模型损失值更新所述衰减校正模型的参数;
通过不断更新所述衰减校正模型的参数,直到所述衰减校正模型输出的预测图像达到预设精度,或者所述衰减校正模型的参数迭代次数达到预设次数,得到训练好的衰减校正模型。
根据本发明一些实施例,所述衰减校正模型包括生成器和判别器;
所述生成器包括依次连接的编码层和解码层,所述编码层用于对输入的图像进行下采样,所述解码层用于编码层的输出进行上采样得到预测图像;
所述判别器用于计算所述预测图像的准确度,当所述准确度大于预设值,则输出所述预测图像。
根据本发明一些实施例,所述生成器的编码器包括多个卷积层,所述生成器的解码器包括多个反卷积层,所述编码器和所述解码器之间通过残差块连接,所述编码器的卷积层与所述解码器中对应图像维度的反卷积层跳跃连接。
根据本发明一些实施例,所述模型损失值包括生成器损失值和判别器损失值,所述生成器损失值通过以下公式计算:
LG(x,y)=Ladv(x)+λL1(G(x),y);
其中,L1(x,y)=||y-G(x)||1;x为第二门控PET图像,y为预测图像,Treal为第二门控PET图像的标签,Tfake为预测图像的标签,λ为损失项的权重。
根据本发明一些实施例,所述判别器损失值通过以下公式计算:
其中,x为第二门控PET图像,y为预测图像,Treal为第二门控PET图像的标签,Tfake为预测图像的标签。
另一方面,本发明实施例还提供一种基于门控的PET图像衰减校正系统,包括:
第一模块,用于获取待校正门控PET图像;
第二模块,用于将所述待校正门控PET图像输入基于神经网络的衰减校正模型,得到衰减校正后的门控PET图像;
其中,所述衰减校正模型通过以下步骤获得:
获取多个第一PET图像数据对,其中,所述第一PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像;
基于心电门控技术,对所述第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集;
将所述训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型。
另一方面,本发明实施例还提供一种基于门控的PET图像衰减校正装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如前面所述的基于门控的PET图像衰减校正方法。
另一方面,本发明实施例还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可执行指令,所述计算机可执行指令用于使计算机执行如前面所述的基于门控的PET图像衰减校正方法。
本发明上述的技术方案至少具有如下优点或有益效果之一:通过获取多个第一PET图像数据对,PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像,基于心电门控技术对第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集,通过训练数据集训练衰减校正模型,将训练好的衰减校正模型应用于对待校正门控PET图像的校正处理,得到衰减校正后的门控PET图像。本发明利用深度学习算法构建衰减校正模型,在PET图像衰减校正过程中,不需要依赖于CT图像或者其他扫描图像,减少由于运动带来的伪影影响,提高PET图像的衰减校正效果,获得准确的PET图像。
附图说明
图1是本发明实施例提供的衰减校正模型获取方法流程图;
图2是本发明实施例提供的配准前后对比示意图;
图3是本发明实施例提供的衰减校正模型结构示意图;
图4是本发明实施例提供的未衰减校正和不同方式衰减校正的图像对比示意图;
图5是本发明实施例提供的基于门控的PET图像衰减校正装置示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或者类似的标号表示相同或者类似的原件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右等指示的方位或者位置关系为基于附图所示的方位或者位置关系,仅是为了便于描述本发明和简化描述,而不是指示或者暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
为清楚说明本发明实例例,对本发明实施例所涉及的名词解释如下:
CT(Computed Tomography),即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查;根据所采用的射线不同可分为:X射线CT(X-CT)以及γ射线CT(γ-CT)等。
PET(positron emission tomography),即正电子发射计算机断层显像,是反映病变的基因、分子、代谢及功能状态的显像设备。它是利用正电子核素标记葡萄糖等人体代谢物作为显像剂,通过病灶对显像剂的摄取来反映其代谢变化,从而为临床提供疾病的生物代谢信息。是当今生命科学、医学影像技术发展的新里程碑。
本发明实施例提供了一种基于门控的PET图像衰减校正方法,本申请实施例中的基于门控的PET图像衰减校正方法或者衰减校正模型的训练过程,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
本发明实施例的基于门控的PET图像衰减校正方法包括但不限于步骤S110和步骤S120。
步骤S110,获取待校正门控PET图像;
步骤S120,将待校正门控PET图像输入基于神经网络的衰减校正模型,得到衰减校正后的门控PET图像。
其中,参照图1,步骤S120中的衰减校正模型通过以下步骤获得:
步骤S121,获取多个第一PET图像数据对,其中,第一PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像;
步骤S122,基于心电门控技术,对第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集;
步骤S123,将训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型。
在步骤S110的一些实施例中,心电门控就是为了减少或消除心脏大血管的搏动对图像造成的影响而采取的技术手段。待校正门控PET图像指基于心电周期的不同门控所采集的图像数据并对采集到的图像数据进行空间配准的PET图像。一般地,一个心电周期共设置16个门控,即在一个心电周期中采集16次图像数据。
在步骤S120的一些实施例中,在PET图像衰减校正过程中,将待校正门控PET图像输入基于深度学习算法构建的衰减校正模型,不需要依赖于CT图像或者其他扫描图像,减少由于运动带来的伪影影响,提高PET图像的衰减校正效果,获得准确的PET图像。此外,本发明实施例还能减少对被测者的辐射,提高衰减校正速度。
在步骤S121至步骤S123的一些实施例中,通过获取多个第一PET图像数据对,PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像,基于心电门控技术对第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集,通过训练数据集中配准后的第一PET图像输入衰减校正模型进行处理得到预测衰减校正图像,根据预测衰减校正图像和训练数据集中的第二PET图像的差异程度反向更新衰减校正模型的参数,通过不断更新模型参数,得到训练好的衰减校正模型。
示例性地,图4示出未衰减校正(None-Attenuation Correction,NAC)的PET图像、基于CT图像的衰减校正(CT-based Attenuation Correction,CTAC)的PET图像和基于深度学习的衰减校正(DL-based Attenuation Correction,DLAC),即由衰减校正模型输出的PET图像,PET图像的显示结果包括心肌水平长轴(Horizontal Long Axis,HLA)、垂直长轴(Vertical Long Axis,VLA)和短轴(Short Axis,SA)图像,下方对应的误差图为其与CTAC的误差图。
需要说明的是,图像配准是对于一组图像数据集中的两幅图像,通过寻找一种空间变换把一幅图像映射到另一幅图像,使得两图中对应于空间同一位置的点一一对应起来,从而达到信息融合的目的。
根据本发明一些实施例,步骤S122中,基于心电门控技术,对PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对这一步骤,包括但不限于以下步骤:
步骤S210,将第一PET图像数据对中的第一PET图像配准到对应心电周期中心脏舒张末期的门控图像,得到第一门控PET图像;
步骤S220,将第一PET图像数据对中的第二PET图像配准到对应心电周期中心脏舒张末期的门控图像,得到第二门控PET图像;
步骤S230,根据第一门控PET图像和第二门控PET图像形成第二PET图像数据对。
在本实施例中,在获取一组心电周期的PET图像后,可以将PET图像转换为SUV PET图像,减小图像强度的动态范围,便于网络训练,然后将心脏部分图像进行裁剪处理以保留左心室区域。对裁剪处理后的PET图像进行基于CT图像的衰减校正,得到一组心电周期的第一门控PET图像,同时未衰减校正的一组心电周期图像为第二门控PET图像。由于心电周期中心脏舒张末期的门控图像(例如,第7个门控或者第8个门控)对应的门内心脏运动最小,因此以每个被测者的第7/8个门控PET图像为基准,并使用医学影像配准包ANTsPy(Advanced Normalization Tools in Python)将该被测者心电周期中的其余15个门控心脏PET图像配准到第7/8个门控PET图像,进一步减小心脏运动对网络训练的影响。本申请实施例的配准模式采用仿射配准+可变形配准技术,以互信息(Mutual Information,MI)为优化准则得到形变场,然后把形变场作用于待配准图像,即可得到配准后的图像。如图2所示,第一行为未配准图像,第二行为配准后的图像,第三行为两组图像的误差图,白色虚线为参考线,图2中仅展示部分门控图像。
根据本发明一些实施例,步骤S123中,将训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型这一步骤,包括但不限于以下步骤:
步骤S310,将训练数据集中的第一门控PET图像输入初始化后的衰减校正模型进行正向传递,得到预测图像;
步骤S320,根据预测图像和训练数据集中对应的第二门控PET图像,得到模型损失值;
步骤S330,根据模型损失值更新所述衰减校正模型的参数;
步骤S340,通过不断更新所述衰减校正模型的参数,直到衰减校正模型输出的预测图像达到预设精度,或者衰减校正模型的参数迭代次数达到预设次数,得到训练好的衰减校正模型。
在本实施例中,衰减校正模型由生成器和判别器构成,示例性地,生成器G为3DRes-Unet(3D Unet和九个Resnet块)。判别器D是由四个3D 3×3×3卷积核大小的卷积层、一个全连接层和一个sigmoid层组成的CNN架构。训练过程中可以使用初始值为0.0001的自适应学习率将Adam优化器应用于生成器G和判别器D。
模型损失值可以包括生成器损失值和判别器损失值,生成器损失值通过以下公式计算:
LG(x,y)=Ladv(x)+λL1(G(x),y);
其中,Ladv是生成器的对抗损失,L1(x,y)=||y-G(x)||1;x为第二门控PET图像,y为预测图像,Treal为第二门控PET图像的标签,Treal=1,Tfake为预测图像的标签,Tfake=0,λ为损失项的权重。
判别器损失值通过以下公式计算:
其中,x为第二门控PET图像,y为预测图像,Treal为第二门控PET图像的标签,Treal=1,Tfake为预测图像的标签,Tfake=0。
根据本发明一些实施例,结合图3,生成器(Generator)包括依次连接的编码层和解码层,编码层用于对输入的图像进行下采样,解码层用于编码层的输出进行上采样得到预测图像。判别器(Discriminator)用于计算预测图像的准确度,当准确度大于预设值,则输出预测图像。
生成器的编码器包括多个卷积层,生成器的解码器包括多个反卷积层,编码器和解码器之间通过残差块连接,编码器的卷积层与解码器中对应图像维度的反卷积层跳跃连接。
具体地,结合图3,本发明实施例中的生成器由具有两个3D U-net和九个Resnet块组成,两个3D U-net构成编码层和解码层。编码器和解码器由一系列具有3×3×3卷积核大小的卷积层、实例归一化(Instance Normalization,IN)层和整流线性单元(RectifiedLinear Unit,ReLU)组成。步幅为2、3×3×3卷积核大小的卷积层被用于降采样。在每个降采样步骤中,特征通道的数量增加一倍,采用双线性插值用于特征通道数量减半的每个上采样步骤。编码器与解码器的对应层使用跳跃连接。在两次降采样后,使用9个残差块以0.5的dropout率提取深度特征。判别器是一个CNN架构,由四个3D 3×3×3卷积层、一个全连接层和一个sigmoid层组成。判别器的第一个卷积层由64个步长为2、3×3×3卷积核大小的卷积组成,并连接泄漏整流线性单元(Leaky Rectified Linear Unit,LReLU)。第2-4个卷积层连接批归一化(Batch Normalization,BN)层和LReLU函数。LReLU函数的斜率为0.2。后一个卷积层的卷积核数量是前一个卷积层的两倍。
本发明实施例还提供一种基于门控的PET图像衰减校正系统,包括:
第一模块,用于获取待校正门控PET图像;
第二模块,用于将待校正门控PET图像输入基于神经网络的衰减校正模型,得到衰减校正后的门控PET图像;
其中,衰减校正模型通过以下步骤获得:
获取多个第一PET图像数据对,其中,第一PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像;
基于心电门控技术,对第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集;
将训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型。
可以理解的是,上述基于门控的PET图像衰减校正方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述基于门控的PET图像衰减校正方法实施例相同,并且达到的有益效果与上述基于门控的PET图像衰减校正方法实施例所达到的有益效果也相同。
参照图5,图5是本发明一个实施例提供的基于门控的PET图像衰减校正装置的示意图。本发明实施例的基于门控的PET图像衰减校正装置包括一个或多个控制处理器和存储器,图5中以一个控制处理器及一个存储器为例。
控制处理器和存储器可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该基于门控的PET图像衰减校正装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解,图5中示出的装置结构并不构成对基于门控的PET图像衰减校正装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
实现上述实施例中应用于基于门控的PET图像衰减校正装置的基于门控的PET图像衰减校正方法所需的非暂态软件程序以及指令存储在存储器中,当被控制处理器执行时,执行上述实施例中应用于基于门控的PET图像衰减校正装置的基于门控的PET图像衰减校正方法。
此外,本发明的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的基于门控的PET图像衰减校正方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于门控的PET图像衰减校正方法,其特征在于,包括以下步骤:
获取待校正门控PET图像;
将所述待校正门控PET图像输入基于神经网络的衰减校正模型,得到衰减校正后的门控PET图像;
其中,所述衰减校正模型通过以下步骤获得:
获取多个第一PET图像数据对,其中,所述第一PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像;
基于心电门控技术,对所述第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集;
将所述训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型。
2.根据权利要求1所述的基于门控的PET图像衰减校正方法,其特征在于,所述基于心电门控技术,对所述PET图像数据对中的所述第一PET图像和所述第二PET图像分别进行配准得到第二PET图像数据对包括以下步骤:
将所述第一PET图像数据对中的第一PET图像配准到对应心电周期中心脏舒张末期的门控图像,得到第一门控PET图像;
将所述第一PET图像数据对中的第二PET图像配准到对应心电周期中心脏舒张末期的门控图像,得到第二门控PET图像;
根据所述第一门控PET图像和所述第二门控PET图像形成第二PET图像数据对。
3.根据权利要求2所述的基于门控的PET图像衰减校正方法,其特征在于,所述将所述训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型包括以下步骤:
将所述训练数据集中的第一门控PET图像输入初始化后的衰减校正模型进行正向传递,得到预测图像;
根据所述预测图像和所述训练数据集中对应的第二门控PET图像,得到模型损失值;
根据所述模型损失值更新所述衰减校正模型的参数;
通过不断更新所述衰减校正模型的参数,直到所述衰减校正模型输出的预测图像达到预设精度,或者所述衰减校正模型的参数迭代次数达到预设次数,得到训练好的衰减校正模型。
4.根据权利要求3所述的基于门控的PET图像衰减校正方法,其特征在于,所述衰减校正模型包括生成器和判别器;
所述生成器包括依次连接的编码层和解码层,所述编码层用于对输入的图像进行下采样,所述解码层用于编码层的输出进行上采样得到预测图像;
所述判别器用于计算所述预测图像的准确度,当所述准确度大于预设值,则输出所述预测图像。
5.根据权利要求4所述的基于门控的PET图像衰减校正方法,其特征在于,所述生成器的编码器包括多个卷积层,所述生成器的解码器包括多个反卷积层,所述编码器和所述解码器之间通过残差块连接,所述编码器的卷积层与所述解码器中对应图像维度的反卷积层跳跃连接。
6.根据权利要求4所述的基于门控的PET图像衰减校正方法,其特征在于,所述模型损失值包括生成器损失值和判别器损失值,所述生成器损失值通过以下公式计算:
LG(x,y)=Ladv(x)+λL1(G(x),y);
其中,L1(x,y)=||y-G(x)||1;x为第二门控PET图像,y为预测图像,Treal为第二门控PET图像的标签,Tfake为预测图像的标签,λ为损失项的权重。
7.根据权利要求6所述的基于门控的PET图像衰减校正方法,其特征在于,所述判别器损失值通过以下公式计算:
其中,x为第二门控PET图像,y为预测图像,Treal为第二门控PET图像的标签,Tfake为预测图像的标签。
8.一种基于门控的PET图像衰减校正系统,其特征在于,包括:
第一模块,用于获取待校正门控PET图像;
第二模块,用于将所述待校正门控PET图像输入基于神经网络的衰减校正模型,得到衰减校正后的门控PET图像;
其中,所述衰减校正模型通过以下步骤获得:
获取多个第一PET图像数据对,其中,所述第一PET图像数据对包括基于CT衰减校正的第一PET图像和未衰减校正的第二PET图像;
基于心电门控技术,对所述第一PET图像数据对中的第一PET图像和第二PET图像分别进行配准得到第二PET图像数据对,并基于多个第二PET图像数据对形成训练数据集;
将所述训练数据集输入初始化后的衰减校正模型进行训练,得到训练好的衰减校正模型。
9.一种基于门控的PET图像衰减校正装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如权利要求1至7任一项所述的基于门控的PET图像衰减校正方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序被由所述处理器执行时用于实现如权利要求1至7任一项所述的基于门控的PET图像衰减校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931191.2A CN117084705A (zh) | 2023-07-26 | 2023-07-26 | 基于门控的pet图像衰减校正方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931191.2A CN117084705A (zh) | 2023-07-26 | 2023-07-26 | 基于门控的pet图像衰减校正方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117084705A true CN117084705A (zh) | 2023-11-21 |
Family
ID=88782718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310931191.2A Pending CN117084705A (zh) | 2023-07-26 | 2023-07-26 | 基于门控的pet图像衰减校正方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117084705A (zh) |
-
2023
- 2023-07-26 CN CN202310931191.2A patent/CN117084705A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Image reconstruction for PET/CT scanners: past achievements and future challenges | |
Li et al. | Model‐based image reconstruction for four‐dimensional PET | |
US10395353B2 (en) | Model-based scatter in multi-modality multi-energy SPECT reconstruction | |
US8098916B2 (en) | System and method for image-based attenuation correction of PET/SPECT images | |
US20150117733A1 (en) | System and method reconstructing a nuclear medicine image using deformed attenuation image | |
CN106491151B (zh) | Pet图像获取方法及系统 | |
US20230127939A1 (en) | Multi-task learning based regions-of-interest enhancement in pet image reconstruction | |
CN106691487B (zh) | 成像方法和成像系统 | |
CN107638188A (zh) | 图像衰减校正方法及装置 | |
WO2022120737A1 (zh) | 用于低剂量pet重建的多任务学习型生成式对抗网络生成方法及系统 | |
Cade et al. | Use of measured scatter data for the attenuation correction of single photon emission tomography without transmission scanning | |
US7675038B2 (en) | Truncation compensation in transmission reconstructions for a small FOV cardiac gamma camera | |
Sun et al. | Dual gating myocardial perfusion SPECT denoising using a conditional generative adversarial network | |
Feng et al. | Dual respiratory and cardiac motion estimation in PET imaging: methods design and quantitative evaluation | |
CN114511497A (zh) | 应用于锥束ct稀疏采样的成像方法及装置 | |
US20230058112A1 (en) | Machine learning-based scintillator resonse modelling for increased spatial resolution in nuclear imaging | |
CN112017258B (zh) | Pet图像重建方法、装置、计算机设备以及存储介质 | |
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 | |
CN117078787A (zh) | 一种pet-ct图像运动伪影校正方法、系统、设备及介质 | |
Wells et al. | Feasibility of attenuation map alignment in pinhole cardiac SPECT using exponential data consistency conditions | |
US20210104079A1 (en) | Pet image reconstruction using tof data and neural network | |
CN117084705A (zh) | 基于门控的pet图像衰减校正方法、系统、装置及存储介质 | |
CN110176045A (zh) | 一种由单能ct图像生成双能ct图像的方法 | |
CN106548473B (zh) | 一种构建相位图像的方法及装置 | |
CN115423892A (zh) | 一种基于最大期望网络的无衰减校正pet重建方法 |
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 |