基于静态PET图像的动态参数图像合成方法、系统技术方案

本发明专利技术适用医学PET成像技术领域，提供了一种基于静态PET图像的动态参数图像合成方法及系统、电子设备，该方法包括：针对静态PET图像计算相应的SUV数据；采用预先训练的循环生成对抗网络模型对所述SUV数据进行迭代运算，计算相应的动态参数数据；根据所述动态参数数据重建动态参数图像。由于采用预先训练的循环生成对抗网络模型直接从静态PET图像合成出动态参数图像，将原来长达1小时的参数成像缩短为不到1秒成像，大大缩短了患者的扫描时间，同时仍能为医生额外提供一份影像资料，反映示踪剂对患者体内组织的代谢速率，提高PET量化结果及临床诊断的准确性，有效实现了动态参数图像的高效、高质量获取。高质量获取。高质量获取。

【技术实现步骤摘要】
基于静态PET图像的动态参数图像合成方法、系统


[0001]本专利技术属于生物医学工程
，尤其涉及一种基于静态PET图像的动态参数图像合成方法、系统。

技术介绍

[0002]氟代脱氧葡萄糖(18F
‑
FDG)正电子发射断层扫描(Positron emission tomography,PET)/计算机断层扫描(Computed Tomography，CT)因其在原发性肺肿瘤和远处转移灶的检测和分期方面的高诊断准确性而被视为符合潜在治疗条件的肺癌患者的一线工具。但是，临床中常用的静态PET图像(也称SUV图像)的量化准确性可能会受到整个采集过程中测量时间和血浆示踪剂浓度变化的影响，动态参数Ki图像可以反映示踪剂对组织的代谢率，从而获得更准确的PET定量结果。
[0003]然而，动态参数Ki图像的获取需要对患者进行长时间扫描(≥60分钟)以进行参数成像和动态建模，以及连续的动脉血液采样或图像衍生的血液活动来确定输入函数，这些严重限制了参数成像的临床应用。
[0004]因此，研究和开发高效获取高质量动态参数图像，对于目前的肺癌诊断、分期领域均有着重要的科学意义与广阔的应用前景。

技术实现思路

[0005]本专利技术的目的在于提供一种基于静态PET图像的动态参数图像合成方法、系统及电子设备，旨在解决现有技术中无法高效获取高质量动态参数图像的技术问题。
[0006]第一方面，本专利技术提供了一种基于静态PET图像的动态参数图像合成方法，包括：
[0007]针对静态PET图像计算相应的SUV数据；
[0008]采用预先训练的循环生成对抗网络模型对所述SUV数据进行迭代运算，计算相应的动态参数数据；
[0009]根据所述动态参数数据重建动态参数图像。
[0010]可选的，所述循环生成对抗网络模型包括生成器和鉴别器；所述生成器根据对抗性损失和循环损失进行训练而成；所述鉴别器根据对抗性损失进行训练而成。
[0011]可选的，所述循环生成对抗网络模型包括第一生成器和第二生成器；所述第一生成器包含SUV数据与动态参数数据之间的映射关系，所述第二生成器包含动态参数数据与SUV数据之间的映射关系。
[0012]可选的，所述循环生成对抗网络模型还包括第一鉴别器和第二鉴别器；所述第一鉴别器用于鉴别经所述第一生成器运算后的动态参数数据与原始动态参数数据之间的差异，所述第二鉴别器用于鉴别经所述第二生成器运算后的SUV数据与原始SUV数据之间的差异。
[0013]可选的，所述循环生成对抗网络模型的训练方法包括：
[0014]获取不同静态PET图像样本的原始SUV数据和原始动态参数数据；
[0015]采用深度学习算法学习所述原始SUV数据和所述原始动态参数数据之间的映射关系；
[0016]根据所述关系建立所述循环生成对抗网络模型。
[0017]可选的，所述采用深度学习算法学习所述原始SUV数据和所述原始动态参数数据之间的映射关系的步骤包括：
[0018]采用深度学习算法，计算所述原始SUV数据相应的第一合成动态参数数据和第一合成SUV数据，以及所述原始动态参数数据相应的第二合成SUV数据和第二合成动态参数数据；
[0019]根据上述数据计算对抗性损失和循环损失；
[0020]根据所述对抗性损失和所述循环损失，设计生成器和鉴别器，即所述原始SUV数据和所述原始动态参数数据之间的映射关系。
[0021]可选的，所述根据上述数据计算对抗性损失和循环损失的步骤包括：
[0022]根据所述原始SUV数据和所述第二合成SUV数据、所述原始动态参数数据和第一合成动态参数数据，计算对抗性损失；
[0023]根据所述原始SUV数据和所述第一合成SUV数据、所述原始动态参数数据和第二合成动态参数数据，计算循环损失。
[0024]第二方面，本专利技术还提供了一种基于静态PET图像的动态参数图像合成系统，包括：
[0025]SUV数据计算模块，用于针对静态PET图像计算相应的SUV数据；
[0026]运算模块，用于采用预先训练的循环生成对抗网络模型对所述SUV数据进行迭代运算，计算相应的动态参数数据；
[0027]图像重建模块，用于根据所述动态参数数据重建动态参数图像。
[0028]第三方面，本专利技术还提供了一种电子设备，包括：
[0029]处理器；以及
[0030]与所述处理器通讯连接的存储器；其中，
[0031]所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如第一方面所述的方法。
[0032]第四方面，本专利技术提供了一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如第一方面的方法。
[0033]本专利技术提供的基于静态PET图像的动态参数图像合成方法及系统、电子设备中，由于采用预先训练的循环生成对抗网络模型直接从静态PET图像合成出动态参数图像，将原来长达1小时的参数成像缩短为不到1秒成像，大大缩短了患者的扫描时间，同时仍能为医生额外提供一份影像资料，反映示踪剂对患者体内组织的代谢速率，提高PET量化结果及临床诊断的准确性，有效实现了动态参数图像的高效、高质量获取。
附图说明
[0034]图1是根据实施例一示出的一种基于静态PET图像的动态参数图像合成方法的实现流程图。
[0035]图2是根据一示例性实施例示出的循环生成对抗网络模型构建流程图。
[0036]图3是根据一示例性实施例示出的循环生成对抗网络模型中生成器和鉴别器的结构示意图。
[0037]图4是根据一示例性实施例示出的本方案实验结果示意图。
[0038]图5是根据实施例二示出的一种基于静态PET图像的动态参数图像合成系统的框图。
具体实施方式
[0039]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0040]以下结合具体实施例对本专利技术的具体实现进行详细描述：
[0041]实施例一：
[0042]图1是实施例一示出的基于静态PET图像的动态参数图像合成方法的实现流程图。实施例一示出的基于静态PET图像的动态参数图像合成方法适用于电子设备中，电子设备中设置有处理器，在获取到静态PET图像后，即可根据该静态PET图像的SUV数据，计算相应的动态参数数据，进而重建动态参数图像，实现基于静态PET图像高效、高质量计算动态参数图像。
[0043]步骤S110，针对静态PET图像计算相应的SUV数据。
[0044]步骤S120，采用预先训练的循环生成对抗网络模型对SUV数据进行迭代运算，计算相应的动态参数数据。
[0045]步骤S130，根据动态参数数据重建动态参数图像。
[0046]临床常规PET成像是静态PET成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于静态PET图像的动态参数图像合成方法，其特征在于，所述方法包括：针对静态PET图像计算相应的SUV数据；采用预先训练的循环生成对抗网络模型对所述SUV数据进行迭代运算，计算相应的动态参数数据；根据所述动态参数数据重建动态参数图像。2.如权利要求1所述的方法，其特征在于，所述循环生成对抗网络模型包括生成器和鉴别器；所述生成器根据对抗性损失和循环损失进行训练而成；所述鉴别器根据对抗性损失进行训练而成。3.如权利要求1所述的方法，其特征在于，所述循环生成对抗网络模型包括第一生成器和第二生成器；所述第一生成器包含SUV数据与动态参数数据之间的映射关系，所述第二生成器包含动态参数数据与SUV数据之间的映射关系。4.如权利要求3所述的方法，其特征在于，所述循环生成对抗网络模型还包括第一鉴别器和第二鉴别器；所述第一鉴别器用于鉴别经所述第一生成器运算后的动态参数数据与原始动态参数数据之间的差异，所述第二鉴别器用于鉴别经所述第二生成器运算后的SUV数据与原始SUV数据之间的差异。5.如权利要求1所述的方法，其特征在于，所述循环生成对抗网络模型的训练方法包括：获取不同静态PET图像样本的原始SUV数据和原始动态参数数据；采用深度学习算法学习所述原始SUV数据和所述原始动态参数数据之间的映射关系；根据所述关系建立所述循环生成对抗网络模型。6.如权利要求5所述的方法，其特征在于，所述采用深度学习算法学习所述原始SUV数据和所述原始动态参数数据之间的映射关系的步骤包括：采用深度学习算法，计...

【专利技术属性】
技术研发人员：胡战利，王海燕，郑海荣，梁栋，刘新，杨永峰，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：