吸收系数图像生成方法、核医学诊断装置以及学习完毕模型的制作方法制造方法及图纸

该吸收系数图像生成方法包括以下步骤：生成输入图像(6)；基于输入图像(6)，来生成包括与组织区域有关的图像的中间图像(7)；以及基于中间图像(7)和组织区域的已知的吸收系数，来生成吸收系数图像(9)。来生成吸收系数图像(9)。来生成吸收系数图像(9)。

【技术实现步骤摘要】
【国外来华专利技术】吸收系数图像生成方法、核医学诊断装置以及学习完毕模型的制作方法


[0001]本专利技术涉及一种吸收系数图像生成方法、核医学诊断装置以及学习完毕模型的制作方法。

技术介绍

[0002]以往，已知一种生成用于核医学诊断装置的吸收系数图像的方法。例如在美国专利申请公开第2019/0130569号说明书(下面简称为“专利文献1”)中公开了这样的方法。
[0003]在上述专利文献1中公开了一种生成用于正电子发射断层摄影装置(核医学诊断装置)的吸收系数图像的方法。在该方法中，使用预先学习得到的机器学习模型来生成吸收系数图像。具体地说，向机器学习模型输入根据PET(Positron Emission Tomography：正电子断层显像)数据生成的PET图像。而且，从机器学习模型输出吸收系数图像。由此，不对被摄体进行CT(Computed Tomography：计算机断层扫描)摄影和MR(Magnetic Resonance：磁共振)摄影等，而通过机器学习模型根据PET数据(测定数据)生成吸收系数图像。
[0004]现有技术文献
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种吸收系数图像生成方法，是用于生成被摄体内的吸收系数图像的核医学诊断装置的吸收系数图像生成方法，所述吸收系数图像生成方法包括以下步骤：通过对基于从所述被摄体放射出的放射线的检测所获取到的测定数据进行图像化处理，来生成输入图像；基于所述输入图像，来生成包括与组织区域有关的图像的中间图像；以及基于所述中间图像和组织区域的已知的吸收系数，来生成吸收系数图像。2.根据权利要求1所述的吸收系数图像生成方法，其中，所述中间图像包括表示各像素中包含的组织的比例的组织组成比图像和表示各像素所属的组织的组织标签图像中的至少一者，作为与组织区域有关的图像。3.根据权利要求2所述的吸收系数图像生成方法，其中，生成所述吸收系数图像的步骤包括以下步骤：基于已知的吸收系数，对所述组织组成比图像中的组织或所述组织标签图像中的组织分配吸收系数。4.根据权利要求1所述的吸收系数图像生成方法，其中，生成所述输入图像的步骤包括以下步骤：在不进行吸收校正处理和散射校正处理中的至少一者的情况下生成所述输入图像。5.根据权利要求1所述的吸收系数图像生成方法，其中，生成所述输入图像的步骤包括以下步骤：对所述测定数据进行包括反投影处理的处理。6.根据权利要求1所述的吸收系数图像生成方法，其中，所述输入图像包括对被进行了图像化处理的所述测定数据未应用图像质量转换处理而得到的图像、对被进行了图像化处理的所述测定数据应用了图像质量转换处理而得到的图像、以及对被进行了图像化处理的所述测定数据应用了区域识别处理而得到的图像中的至少一者。7.根据权利要求1所述的吸收系数图像生成方法，其中，所述输入图像包括两种以上的分辨率的图像。8.根据权利要求1所述的吸收系数图像生成方法，其中，生成所述中间图像的步骤包括以下步骤：对所述输入图像应用预先学习得到的机器学习模型。9.根据权利要求8所述的吸收系数图像生成方法，其中，作为所述机器学习模型的学习数据的所述输入图像包括以下图像中的至少一者：像素值范围被进行了归一化的归一化图像、对所述归一化图像乘以大于0且小于1的系数而得到的图像、以及对所述归一化图像或归一化前的图像的特定区域乘以正的系数而得到的图像。10.根据权利要求8所述的吸收系数图像生成方法，其中，所述机器学习模型除了输出所述中间图像以外，还同时输出应用了吸收校正处理和散射校正处理中的至少一者而得到的重构图像。11.根据权利要求8所述的吸收系数图像生成方法，其中，所述机器学习模型包括以下机器学习模型中的至少一者：以三维图像为输入的机器学习模型；
以轴位断面图像为输入的机器学习模型；以冠状断面图像为输入的机器学习模型；以矢状断面图像为输入的机器学习模型；以从三维图像切出的小片图像为输入的机器学习模型；以从轴位断面图像切出的小片图像为输入的机器学习模型；以从冠状断面图像切出的小片图像为输入的机器学习模型；以及以从矢状断面图像切出的小片图像为输入的机器学习模型。12.根据权利要求8所述的吸收系数图像生成方法，其中，所述机器学习模型除了以所述输入图像为输...

【专利技术属性】
技术研发人员：小林哲哉，繁木结衣，
申请(专利权)人：株式会社岛津制作所，
类型：发明
国别省市：