一种PET图像重建方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种PET图像重建方法、装置、设备及介质，所述方法包括：基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像；将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型，得到衰减校正的PET图像。通过采用上述技术方案，可以极大地提高PET图像的重建速度，从而实现PET图像的实时预览。

【技术实现步骤摘要】
一种PET图像重建方法、装置、设备及介质
本专利技术实施例涉及医学图像重建
，尤其涉及一种PET图像重建方法、装置、设备及介质。
技术介绍
PET(PositronEmissionTomography，正电子发射型断层显像)是继CT(ComputedTomography，计算机断层扫描)之后迅速发展起来的一种神经影像学检查仪器。目前，在肿瘤、冠心病和脑部疾病等疾病的诊疗中具有突出的价值，是核医学领域比较先进的临床检查影像技术。它在不改变生物体生理状态的情况下，向生物活体注入放射性示踪剂，放射性示踪剂参与生物活体的生理代谢，通过对放射性示踪剂的探测(即对生物活体进行扫描、断层重建得到PET图像)可实现对生物活体代谢功能的观测。传统的PET图像重建方法为：基于采集的生数据生成PET图像之后还包括一系列衰减校正、散射校正等数据校正操作以及统计迭代重建操作，最终得到符合要求的PET图像，这些操作通常是在数据域上进行，需要数学建模，计算量非常大，在实际PET图像重建过程中一般需要2-3分钟，如此大的时间延迟导致无法实现PET图像实时预览的目的；且在PET图像重建的过程中，相关的医务工作者无法直观地了解当前设备的运行状况、重建得到的PET图像是否符合目标要求，导致相关的医务工作者无法对扫描过程进行实时控制，因此给PET扫描带来了极大的阻碍以及不必要的资源浪费。
技术实现思路
本专利技术实施例提供一种PET图像重建方法、装置、设备及介质，通过所述方法可以极大地提高PET图像的重建速度，从而实现PET图像的实时预览。为实现上述目的，本专利技术实施例采用如下技术方案：第一方面，本专利技术实施例提供了一种PET图像重建方法，所述方法包括：基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像；将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型，得到衰减校正的PET图像。第二方面，本专利技术实施例提供了一种PET图像重建装置，所述装置包括：图像获取模块，用于基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像；重建模块，用于将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型，得到衰减校正的PET图像。第三方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的PET图像重建方法。第四方面，本专利技术实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如上述第一方面所述的PET图像重建方法。本专利技术实施例提供的一种PET图像重建方法，通过基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像；将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型，得到衰减校正的PET图像的技术手段，极大地提高了PET图像的重建速度，从而实现了PET图像的实时预览。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对本专利技术实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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，还可以根据本专利技术实施例的内容和这些附图获得其他的附图。图1为本专利技术实施例一提供的一种PET图像重建方法流程示意图；图2为本专利技术实施例一提供的一种神经网络模型的训练过程示意图；图3为本专利技术实施例二提供的一种PET图像重建方法流程示意图；图4为本专利技术实施例三提供的一种PET图像重建装置结构示意图；图5a为本专利技术实施例三提供的一种CT图像的示意图；图5b为本专利技术实施例三提供的一种与图5a对应的未衰减校正的PET图像示意图；图5c为本专利技术实施例三提供的一种与图5a、图5b对应的衰减校正的PET图像的示意图；图6a为本专利技术实施例三提供的另一种CT图像的示意图；图6b为本专利技术实施例三提供的一种与图6a对应的未衰减校正的PET图像示意图；图6c为本专利技术实施例三提供的一种与图6a、图6b对应的衰减校正的PET图像的示意图；图7a为本专利技术实施例三提供的又一种CT图像的示意图；图7b为本专利技术实施例三提供的一种与图7a对应的未衰减校正的PET图像示意图；图7c为本专利技术实施例三提供的一种与图7a、图7b对应的衰减校正的PET图像的示意图；图8为本专利技术实施例四提供的一种电子设备的结构示意图。具体实施方式为使本专利技术解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本专利技术实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一图1为本专利技术实施例一提供的一种PET图像重建方法流程示意图。本实施例公开的PET图像重建方法可以由PET图像重建装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在终端中，例如2mPET-CT设备等。具体参见图1所示，该方法可以包括如下步骤：步骤110、基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像。具体的，通过2mPET-CT设备对生物体进行扫描，获得生数据。PET-CT设备将PET与CT完美融合为一体，由PET提供生物体病灶详尽的功能与代谢等分子信息，而CT提供病灶的精确解剖定位，一次显像可获得全身各方位的断层图像。所述生数据具体为未经过任何处理的断层图像数据，通过调用CT图像重建算法，可得到生数据对应的CT图像，所述CT图像重建算法包括FPB(Filterbackprojectionabbr,滤波反投影)算法、ART(AlgebraicReconstructionTechniqueabbr,代数重建)算法以及LocalRA(LocalReconstructionAlgorithmabbr,局部重建)算法等。通过对生数据进行随机校正以及归一化校正得到生数据对应的未衰减校正的PET图像，此时的图像噪声较高，分辨率较低，故无法被有效利用，通过步骤120对未衰减校正的PET图像进行处理，可得到噪声较低、分辨率较高，可以被有效利用的衰减校正的PET图像。步骤120、将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型，得到衰减校正的PET图像。其中，所述预先训练好的神经网络模型充分学习了各种未衰减校正的PET图像对应的衰减校正的PET图像的特征，因此可实现对任何未衰减校正的PET图像的快速处理，得到任何未衰减校正的PET图像对应的衰减校正的PET图像。示例性的，所述方法还包括：基于训练数据集对深度学习网络进行训练，得到所述预先训练好的神经网络模型，其中，所述训练数据集中的每组训练数据包括PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像。由于CT图像具有清晰的对比度与较高的密度分辨率，因此通过结合配准对齐的CT图像可以辅助完成肺部区域、软组织和人体表皮组织等结构的重建，故本实施例在每组训练数据中增加了CT图像，通过结合CT图像可使神经网络模型充分学习样本特征，经过带有C本文档来自技高网...

【技术保护点】
1.一种PET图像重建方法，其特征在于，包括：基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像；将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型，得到衰减校正的PET图像。

【技术特征摘要】
1.一种PET图像重建方法，其特征在于，包括：基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像；将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型，得到衰减校正的PET图像。2.根据权利要求1所述的方法，其特征在于，在将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型之前，所述方法还包括：对所述CT图像以及未衰减校正的PET图像进行预处理，具体包括：对所述CT图像以及未衰减校正的PET图像进行图像配准，得到配准后的CT图像以及未衰减校正的PET图像；对所述配准后的CT图像以及未衰减校正的PET图像进行第一次重采样，得到预设尺寸的CT图像以及未衰减校正的PET图像；将所述预设尺寸的CT图像以及未衰减校正的PET图像进行标准化处理，得到标准化之后的CT图像以及未衰减校正的PET图像；将所述标准化之后的CT图像以及未衰减校正的PET图像基于预设维度进行连接，得到连接之后的图像。3.根据权利要求2所述的方法，其特征在于，还包括：基于训练数据集对深度学习网络进行训练，得到所述预先训练好的神经网络模型，其中，所述训练数据集中的每组训练数据包括PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像。4.根据权利要求3所述的方法，其特征在于，所述基于训练数据集对深度学习网络进行训练，包括：将所述训练数据集中的第一组训练数据输入至预设的第一神经网络结构，得到第一输出结果；将所述第一输出结果以及所述第一组训练数据输入至预设的第二神经网络结构，得到第二输出结果；重复上述迭代过程，将第N-1输出结果以及所述第一组训练数据输入至预设的第N神经网络结构，得到第N输出结果；利用所述训练数据集中的每组训练数据按照上述过程对深度学习网络进行训练，直到达到设定条件时，停止迭代，得到N个级联的神经网络结构；其中，所述神经...

【专利技术属性】
技术研发人员：张阳，吕杨，奚臣，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海,31