CN117455872A - 感兴趣区域确定方法、装置、计算机设备和存储介质 - Google Patents
感兴趣区域确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117455872A CN117455872A CN202311422614.4A CN202311422614A CN117455872A CN 117455872 A CN117455872 A CN 117455872A CN 202311422614 A CN202311422614 A CN 202311422614A CN 117455872 A CN117455872 A CN 117455872A
- Authority
- CN
- China
- Prior art keywords
- attenuation coefficient
- region
- interest
- target
- scanning data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000000694 effects Effects 0.000 claims abstract description 91
- 238000012905 input function Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 36
- 238000007476 Maximum Likelihood Methods 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 17
- 238000002591 computed tomography Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000002600 positron emission tomography Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Nuclear Medicine (AREA)
Abstract
本申请涉及一种感兴趣区域确定方法、装置、计算机设备和存储介质。基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像,以及分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。由于传统技术将CT图像上分割的感兴趣区域与PET图像配准时存在配准偏移的问题,而且PET图像中感兴趣区域和周围区域的活度以及对比度会随时间发生变化,不同时刻的PET图像上感兴趣区域的轮廓信息不同。本申请实施例中,通过不同时刻的PET扫描数据得到对应的目标衰减系数图像,在目标衰减系数图像上分割感兴趣区域,获取感兴趣区域方法的鲁棒性更强,从而提高了基于感兴趣区域得到的输入函数的准确性。
Description
技术领域
本申请涉及医学技术领域,特别是涉及一种感兴趣区域确定方法、装置、计算机设备和存储介质。
背景技术
PET(Positron Emission Computed Tomography,正电子发射计算机断层扫描)利用正电子核素标记葡萄糖等人体代谢物作为示踪剂,引入生物体内后,可以反映生物体的组织或器官的生物代谢信息。通过对应示踪剂的代谢模型,利用输入函数和动态PET图像的测量值可以对生物体的组织或器官的真实代谢水平进行定量的分析,输入函数是指动脉血中示踪剂浓度的时间活度曲线。因此,如何确定输入函数具有重要的临床意义。
目前是在电子计算机断层扫描(Computed Tomography,CT)上获取感兴趣区域,将感兴趣区域应用在动态PET图像以得到输入函数。
但是,该方法存在确定的感兴趣区域不准确的问题,导致获取的输入函数不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高确定感兴趣区域准确性的感兴趣区域确定方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种感兴趣区域确定方法,包括:
基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像;
分割各所述PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
在其中一个实施例中,所述基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像,包括:
基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成所述PET扫描数据对应的重建图像;
根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像。
在其中一个实施例中,所述预设生成方法包括:活度和衰减的最大似然估计、活度和衰减校正因子的最大似然估计和未经衰减校正的正电子发射计算机断层扫描中任一种。
在其中一个实施例中,所述预设生成方法包括所述活度和衰减的最大似然估计,所述重建图像包括第一活度图和第一衰减系数图像;所述根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像,包括:
将所述第一活度图和所述第一衰减系数图像输入至第一预设模型,得到所述目标衰减系数图像。
在其中一个实施例中,所述预设生成方法包括所述活度和衰减校正因子的最大似然估计,所述重建图像包括第二活度图,所述根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像,包括:
将所述第二活度图输入至第二预设模型,得到所述目标衰减系数图像。
在其中一个实施例中,所述预设生成方法包括所述未经衰减校正的正电子发射计算机断层扫描,所述重建图像包括第三活度图,所述根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像,包括:
将所述第三活度图输入至第三预设模型,得到所述目标衰减系数图像。
在其中一个实施例中,所述方法还包括:
根据各所述感兴趣区域的像素值确定输入函数
第二方面,本申请还提供了一种感兴趣区域确定装置,包括:
生成模块,用于基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像;
分割模块,用于分割各所述PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像;
分割各所述PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像;
分割各所述PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像;
分割各所述PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
上述感兴趣区域确定方法、装置、计算机设备和存储介质,基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像,以及分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。由于传统技术将CT图像上分割的感兴趣区域与PET图像配准时存在配准偏移的问题,而且PET图像中感兴趣区域和周围区域的活度以及对比度会随时间发生变化,不同时刻的PET图像上感兴趣区域的轮廓信息不同,但目标衰减系数图像与药物的活度和浓度无关。本申请实施例中,通过不同时刻的PET扫描数据得到对应的目标衰减系数图像,在目标衰减系数图像上分割感兴趣区域,获取感兴趣区域方法的鲁棒性更强,从而提高了基于感兴趣区域得到的输入函数的准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中感兴趣区域确定方法的应用环境图;
图2为一个实施例中感兴趣区域确定方法的流程示意图;
图3为一个实施例中目标衰减系数图像确定方法的流程示意图;
图4为另一个实施例中感兴趣区域确定方法的流程示意图;
图5为另一个实施例中感兴趣区域确定方法的流程示意图;
图6为一个实施例中感兴趣区域确定装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
相关技术中,基于医学图像的输入函数(image-derived input function,IDIF)获取通常是在CT图像上对感兴趣区域进行分割,再应用于动态的PET图像。但是随着技术发展,可能面临没有合适的CT图像的问题。一方面,无CT扫描技术(CT-less)是PET扫描的热点技术,为低剂量扫描提供了技术可能。另一方面,由于PET扫描和CT扫描存在时间间隔,扫描对象可能发生自主或非自主的运动,PET与CT常常存在错配问题,导致无法获取到准确的感兴趣区域,从而无法得到准确的输入函数。因此,本申请提出一种可以解决上述技术问题的感兴趣区域确定方法、装置、计算机设备和存储介质。
本申请实施例提供的感兴趣区域确定方法,可以应用于如图1所示的应用环境中。该应用环境包括一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储确定输入函数的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种感兴趣区域确定方法。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中,如图2所示,提供了一种感兴趣区域确定方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下S201至S202。其中:
S201,基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像。
可选的,目标对象的PET扫描数据可以是目标对象的全身组织的PET扫描数据,也可以是某个部位的PET扫描数据。例如,目标对象的上半身的PET扫描数据。
在本实施例中,可以实时获取PET扫描设备扫描的目标对象的PET扫描数据,针对于每一时刻的目标对象的PET扫描数据,利用图像重建算法生成对应的目标衰减系数图像。
在一个可能的实现方式中,还可以将PET扫描设备在不同时刻扫描的目标对象的PET扫描数据存储至计算机设备中,在接收到用户触发的指令后,获取不同时刻的目标对象的PET扫描数据,针对于每一时刻的目标对象的PET扫描数据,利用图像重建算法生成对应的目标衰减系数图像。
S202,分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
可选的,感兴趣区域可以为血池区域、主动脉和心脏所在区域等。
在本实施例中,可以利用分割网络对各PET扫描数据对应的目标衰减系数图像进行分割,得到感兴趣区域。
在一个可能的实现方式中,还可以预先制作感兴趣区域的掩膜,利用感兴趣区域的掩膜对各PET扫描数据对应的目标衰减系数图像的感兴趣区域进行分割,得到各目标衰减系数图像对应的感兴趣区域。
上述感兴趣区域确定方法中,基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像,以及分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。由于传统技术将CT图像上分割的感兴趣区域与PET图像配准时存在配准偏移的问题,而且PET图像中感兴趣区域和周围区域的活度以及对比度会随时间发生变化,不同时刻的PET图像上感兴趣区域的轮廓信息不同,但目标衰减系数图像与药物的活度和浓度无关。本申请实施例中,通过不同时刻的PET扫描数据得到对应的目标衰减系数图像,在目标衰减系数图像上分割感兴趣区域,获取感兴趣区域方法的鲁棒性更强,从而提高了基于感兴趣区域得到的输入函数的准确性。
图3为一个实施例中目标衰减系数图像确定方法的流程示意图,如图3所示,本申请实施例涉及的是如何基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像的一种可能的实现方式,包括以下步骤:
S301,基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成PET扫描数据对应的重建图像。
其中,预设生成方法包括:活度和衰减的最大似然估计(maximum likelihoodestimation of activity and attenuation,MLAA)、活度和衰减校正因子的最大似然估计(maximum likelihood estimation of activity and attenuation correction factor,MLACF)和未经衰减校正的正电子发射计算机断层扫描(non-attenuation correctedemission map Positron Emission Computed Tomography,NAC PET)中任一种。
在本实施例中,可以利用活度和衰减的最大似然估计、活度和衰减校正因子的最大似然估计和未经衰减校正的正电子发射计算机断层扫描等方法对不同时刻的目标对象的PET扫描数据进行重建,得到重建图像。
S302,根据各重建图像生成PET扫描数据对应的目标衰减系数图像。
在本实施例中,将利用不同的预设生成方法得到的各重建图像输入对应的预设模型中,可以得到PET扫描数据对应的目标衰减系数图像。
具体地,可以包括以下三种情况:第一种情况:在预设生成方法包括活度和衰减的最大似然估计的情况下,重建图像包括第一活度图和第一衰减系数图像。根据各重建图像生成PET扫描数据对应的目标衰减系数图像,包括:将第一活度图和第一衰减系数图像输入至第一预设模型,得到目标衰减系数图像。
第二种情况:在预设生成方法包括活度和衰减校正因子的最大似然估计的情况下,重建图像包括第二活度图。根据各重建图像生成PET扫描数据对应的目标衰减系数图像,包括:将第二活度图输入至第二预设模型,得到目标衰减系数图像。
第三种情况:在预设生成方法包括未经衰减校正的正电子发射计算机断层扫描的情况下,重建图像包括第三活度图,根据各重建图像生成PET扫描数据对应的目标衰减系数图像,包括:将第三活度图输入至第三预设模型,得到目标衰减系数图像。
可选的,第一预设模型、第二预设模型和第三预设模型可以是深度学习网络。例如,卷积神经网络、深度置信网络等;第一预设模型、第二预设模型和第三预设模型还可以是浅层网络或算法,例如,主成分分析法等。
在本实施例中,如图4所示,利用活度和衰减的最大似然估计算法对不同时刻的目标对象的扫描数据进行重建,得到第一活度图和第一衰减系数图像,将第一活度图和第一衰减系数图像输入至第一预设模型,得到目标衰减系数图像,从而利用分割网络得到感兴趣区域。
如图5所示,利用活度和衰减校正因子的最大似然估计或未经衰减校正的正电子发射计算机断层扫描算法对不同时刻的目标对象的扫描数据进行重建,分别得到对应的第二活度图和第三活度图,将第二活度图和第三活度图输入至对应的第二预设模型和第三预设模型,得到目标衰减系数图,从而利用分割网络得到感兴趣区域。
进一步地,预设模型还可以进行降噪。即还可以通过第一预设模型对第一活度图和第一衰减系数图像进行降噪处理,通过第二预设模型对第二活度图进行降噪处理,通过第三预设模型对第三活度图进行降噪处理,对降噪处理后的图像进行重建得到目标衰减系数图像。
本申请实施例中,基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成PET扫描数据对应的重建图像,根据各重建图像生成PET扫描数据对应的目标衰减系数图像。本申请实施例中,利用预设生成方法生成目标衰减系数图像,提供多种方法实现从PET扫描数据到目标衰减系数图像,为后续基于目标衰减系数图像得到感兴趣区域奠定基础,可以不依赖于CT图像和磁共振图像等其他模态的医学图像得到感兴趣区域,从而提高了基于感兴趣区域得到的输入函数的准确性。
在一个实施例中,上述基于各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域之后,即上述S202之后还可以根据各感兴趣区域的像素值确定输入函数。
在一个可能的实现方式中,获取各时刻对应的感兴趣区域中像素值的均值,根据时间和像素值的均值得到输入函数;或者从各时刻对应的感兴趣区域中任意选择一个像素值,根据时间和像素值得到输入函数。
在另一个可能的实现方式中,还可以在获取到各时刻对应的感兴趣区域中像素值的均值后,对均值进行校正处理,得到校正值,根据时间和校正值得到输入函数。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的感兴趣区域确定方法的感兴趣区域确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个感兴趣区域确定装置实施例中的具体限定可以参见上文中对于感兴趣区域确定方法的限定,在此不再赘述。
在一个示例性的实施例中,如图6所示,提供了一种感兴趣区域确定装置,包括:生成模块11、分割模块12和确定模块13,其中:
生成模块11,用于基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像;
分割模块12,用于分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
在一个实施例中,生成模块包括:
第一生成单元,用于基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成PET扫描数据对应的重建图像;
第二生成单元,用于根据各重建图像生成PET扫描数据对应的目标衰减系数图像。
在一个实施例中,预设生成方法包括:活度和衰减的最大似然估计、活度和衰减校正因子的最大似然估计和未经衰减校正的正电子发射计算机断层扫描中任一种。
在一个实施例中,预设生成方法包括活度和衰减的最大似然估计,重建图像包括第一活度图和第一衰减系数图像,第二生成单元还用于将第一活度图和第一衰减系数图像输入至第一预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括活度和衰减校正因子的最大似然估计,重建图像包括第二活度图,第二生成单元还用于将第二活度图输入至第二预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括未经衰减校正的正电子发射计算机断层扫描,重建图像包括第三活度图,第二生成单元还用于将第三活度图输入至第三预设模型,得到目标衰减系数图像。
在一个实施例中,感兴趣区域确定装置还包括:
确定模块,用于根据各感兴趣区域的像素值确定输入函数。
上述感兴趣区域确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种感兴趣区域确定方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像;
分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成PET扫描数据对应的重建图像;
根据各重建图像生成PET扫描数据对应的目标衰减系数图像。
在一个实施例中,预设生成方法包括:活度和衰减的最大似然估计、活度和衰减校正因子的最大似然估计和未经衰减校正的正电子发射计算机断层扫描中任一种。
在一个实施例中,预设生成方法包括活度和衰减的最大似然估计,重建图像包括第一活度图和第一衰减系数图像,处理器执行计算机程序时还实现以下步骤:
将第一活度图和第一衰减系数图像输入至第一预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括活度和衰减校正因子的最大似然估计,重建图像包括第二活度图,处理器执行计算机程序时还实现以下步骤:
将第二活度图输入至第二预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括未经衰减校正的正电子发射计算机断层扫描,重建图像包括第三活度图,处理器执行计算机程序时还实现以下步骤:
将第三活度图输入至第三预设模型,得到目标衰减系数图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各感兴趣区域的像素值确定输入函数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像;
分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成PET扫描数据对应的重建图像;
根据各重建图像生成PET扫描数据对应的目标衰减系数图像。
在一个实施例中,预设生成方法包括:活度和衰减的最大似然估计、活度和衰减校正因子的最大似然估计和未经衰减校正的正电子发射计算机断层扫描中任一种。
在一个实施例中,预设生成方法包括活度和衰减的最大似然估计,重建图像包括第一活度图和第一衰减系数图像,计算机程序被处理器执行时还实现以下步骤:
将第一活度图和第一衰减系数图像输入至第一预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括活度和衰减校正因子的最大似然估计,重建图像包括第二活度图,计算机程序被处理器执行时还实现以下步骤:
将第二活度图输入至第二预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括未经衰减校正的正电子发射计算机断层扫描,重建图像包括第三活度图,计算机程序被处理器执行时还实现以下步骤:
将第三活度图输入至第三预设模型,得到目标衰减系数图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各感兴趣区域的像素值确定输入函数。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,生成PET扫描数据对应的目标衰减系数图像;
分割各PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成PET扫描数据对应的重建图像;
根据各重建图像生成PET扫描数据对应的目标衰减系数图像。
在一个实施例中,预设生成方法包括:活度和衰减的最大似然估计、活度和衰减校正因子的最大似然估计和未经衰减校正的正电子发射计算机断层扫描中任一种。
在一个实施例中,预设生成方法包括活度和衰减的最大似然估计,重建图像包括第一活度图和第一衰减系数图像,计算机程序被处理器执行时还实现以下步骤:
将第一活度图和第一衰减系数图像输入至第一预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括活度和衰减校正因子的最大似然估计,重建图像包括第二活度图,计算机程序被处理器执行时还实现以下步骤:
将第二活度图输入至第二预设模型,得到目标衰减系数图像。
在一个实施例中,预设生成方法包括未经衰减校正的正电子发射计算机断层扫描,重建图像包括第三活度图,计算机程序被处理器执行时还实现以下步骤:
将第三活度图输入至第三预设模型,得到目标衰减系数图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各感兴趣区域的像素值确定输入函数。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种感兴趣区域确定方法,其特征在于,所述方法包括:
基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像;
分割各所述PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
2.根据权利要求1所述的方法,其特征在于,所述基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像,包括:
基于获取的不同时刻的目标对象的PET扫描数据,利用预设生成方法生成所述PET扫描数据对应的重建图像;
根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像。
3.根据权利要求2所述的方法,其特征在于,所述预设生成方法包括:活度和衰减的最大似然估计、活度和衰减校正因子的最大似然估计和未经衰减校正的正电子发射计算机断层扫描中任一种。
4.根据权利要求3所述的方法,其特征在于,所述预设生成方法包括所述活度和衰减的最大似然估计,所述重建图像包括第一活度图和第一衰减系数图像;所述根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像,包括:
将所述第一活度图和所述第一衰减系数图像输入至第一预设模型,得到所述目标衰减系数图像。
5.根据权利要求3所述的方法,其特征在于,所述预设生成方法包括所述活度和衰减校正因子的最大似然估计,所述重建图像包括第二活度图,所述根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像,包括:
将所述第二活度图输入至第二预设模型,得到所述目标衰减系数图像。
6.根据权利要求3所述的方法,其特征在于,所述预设生成方法包括所述未经衰减校正的正电子发射计算机断层扫描,所述重建图像包括第三活度图,所述根据各所述重建图像生成所述PET扫描数据对应的目标衰减系数图像,包括:
将所述第三活度图输入至第三预设模型,得到所述目标衰减系数图像。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据各所述感兴趣区域的像素值确定输入函数。
8.一种感兴趣区域确定装置,其特征在于,所述装置包括:
生成模块,用于基于获取的不同时刻的目标对象的PET扫描数据,生成所述PET扫描数据对应的目标衰减系数图像;
分割模块,用于分割各所述PET扫描数据对应的目标衰减系数图像,得到感兴趣区域。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422614.4A CN117455872A (zh) | 2023-10-30 | 2023-10-30 | 感兴趣区域确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422614.4A CN117455872A (zh) | 2023-10-30 | 2023-10-30 | 感兴趣区域确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117455872A true CN117455872A (zh) | 2024-01-26 |
Family
ID=89583097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311422614.4A Pending CN117455872A (zh) | 2023-10-30 | 2023-10-30 | 感兴趣区域确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455872A (zh) |
-
2023
- 2023-10-30 CN CN202311422614.4A patent/CN117455872A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415310B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
WO2017148332A1 (zh) | 一种灌注分析方法与设备 | |
US20130129172A1 (en) | Computed-tomography system and method for determining volume information for a body | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
CN113989110A (zh) | 肺部图像配准方法、装置、计算机设备和存储介质 | |
Xu et al. | Deep learning estimation of three-dimensional left atrial shape from two-chamber and four-chamber cardiac long axis views | |
CN116630239A (zh) | 影像分析方法、装置和计算机设备 | |
US11790526B2 (en) | Neural network-assisted dose assessment based on activity image | |
CN117455872A (zh) | 感兴趣区域确定方法、装置、计算机设备和存储介质 | |
CN114677415A (zh) | 图像配准方法、装置、计算机设备及可读存储介质 | |
CN114373029A (zh) | 一种pet图像的运动校正方法和系统 | |
JP7459243B2 (ja) | 1以上のニューラルネットワークとしての画像形成のモデル化による画像再構成 | |
CN112365479B (zh) | Pet参数图像处理方法、装置、计算机设备及存储介质 | |
CN114359431A (zh) | 一种参数图像的直接重建方法和系统 | |
Penarrubia et al. | Improving motion‐mask segmentation in thoracic CT with multiplanar U‐nets | |
CN113393427A (zh) | 斑块分析方法、装置、计算机设备和存储介质 | |
WO2023131061A1 (en) | Systems and methods for positron emission computed tomography image reconstruction | |
CN110852993A (zh) | 一种造影剂作用下的成像方法与设备 | |
US20230154067A1 (en) | Output Validation of an Image Reconstruction Algorithm | |
CN114972247A (zh) | 组织特征值确定方法、装置、计算机设备和存储介质 | |
CN117153346A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
CN116128991A (zh) | 动态pet成像方法、装置、电子设备及存储介质 | |
CN116138796A (zh) | 动态正电子发射断层成像技术参数成像方法、系统及介质 | |
CN116091517A (zh) | 医学影像处理方法、装置、存储介质和计算机程序产品 |
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 |