【技术实现步骤摘要】
一种PET图像的散射校正方法及PET系统
[0001]本专利技术涉及医学成像
,尤其涉及一种PET图像的散射校正方法及PET系统。
技术介绍
[0002]当前,在正电子发射断层扫描(PET)系统采集过程中,光子在到达探测器之前有可能与人体组织发生康普顿散射而改变飞行方向。由于探测器的能量分辨率有限,这些散射事件被错误地按照真符合事件记录下来,混淆了核素的位置信息,进而在图像中产生散射伪影,严重影响图像质量。尤其在三维数据采集时,散射符合的数目可能达到总计数的30%
‑
60%,这使得散射校正成为PET重建的关键环节之一。
[0003]现有常用的PET采集模式中往往存在一些因素影响散射分布的准确性从而严重影响图像质量:
[0004]首先,单散射模拟校正(SSS)方法被广泛用于PET重建中的散射校正。该方法通过计算符合伽玛光子在被检测到之前经历单个散射事件的概率来模拟散射分布。单散射模拟校正方法通常只能估计轴向扫描视野内发生的散射事件,对于物体在轴向扫描视野(FOV)外发生的散射事件无法进行准确的估计。目前较常用的PET通常具有有限的轴向视野,因此在人体扫描中需要多床位扫描。因此每个扫描床位只能用该床位的数据进行散射校正。但是这种方法存在局限性,由于放射源在人体内是连续分布的,获取每个床位扫描数据时,床位视野外部的散射会进入视野内被探测器采集到。SSS校正时,由于缺乏轴向视野外的信息无法准确的估计出视野外的散射分布,从而影响单床位扫描中散射事件分布。目前常用的tail fitting
【技术保护点】
【技术特征摘要】
1.一种PET图像的散射校正方法,其特征在于,包括:S10、针对指定的轴向视野范围(0,D]的探测数据,获取探测数据的第一PET图像和第一PET图像对应的第一衰减系数图像;第一PET图像为轴向视野范围(0,D]内的探测数据重建的未经散射校正的图像;S20、基于预先训练的深度学习网络,将患者基本信息和第一PET图像、第一衰减系数图像输入所述深度学习网络,获取该深度学习网络输出的第二PET图像、第二PET图像对应的第二衰减系数图像;第二PET图像为轴向视野范围外(D,D+F]的仿真输出图像;D表示轴向视野范围的大小,F表示轴向扩展范围的大小;S30、基于第一PET图像、第二PET图像、第一衰减系数图像、第二衰减系数图像,和预先建立的散射校正SSS的计算信息,获取所述探测数据的散射校正信息,该散射校正信息用于重建PET图像;所述预先训练的深度学习网络为基于轴向视野范围内的PET图像及匹配的关联图像和关联信息对构建的深度学习网络进行训练得到的网络,该网络输出轴向视野范围外的PET图像及该PET图像对应的衰减系数图像。2.根据权利要求1所述的方法,其特征在于,在S10之前,所述方法还包括:S00、基于已重建的PET图像及及匹配的关联图像和关联信息,获取用于训练深度学习网络的训练样本;其中,每一训练样本包括:已重建的第一PET图像/模拟仿真的第一PET图像,该第一PET图像对应的衰减系数图像、该PET图像所属用户的身高、体重、放射性活度、注射示踪剂间隔时间,验证使用的PET/CT或PET/MR扫描得到的真实线性衰减图像;S01、基于训练样本对深度学习网络进行训练,获得训练的深度学习网络;训练后的深度学习网络中网络参数θ使得优化训练深度学习网络的损失函数L最小,使得轴向视野范围内的未经散射校正的PET图像和衰减系数图像映射为扩展轴向视野范围外的未经散射校正的PET图像和衰减系数图像。3.根据权利要求2所述的方法,其特征在于,S01包括:深度学习网络G的网络参数θ和G的输出表示如下:的输出表示如下:其中,x1为第一PET图像,μ1为第一衰减系数图像,x2为第二PET图像,μ2为第二衰减系数图像,h为用户的身高,w为用户的体重,a为放射性活度,t
a
为注射示踪剂间隔;第二PET图像x2,第二衰减系数图像μ2作为G的输出,验证过程中,G的输出与PET/CT或PET/MR扫描得到的真实线性衰减图像μ
True
,及基于μ
True
重建的图像x
True
进行比较。4.根据权利要求1所述的方法,其特征在于,所述深度学习网络为下述的一种:CNN网络、Unet网络、GAN网络。5.根据权利要求3所述的方法,其特征在于,所述S10包括:轴向视野内的第一PET图像x1,保持线性衰减系数分布μ为常数,借助于MLEM算法最大化log
‑
likelihood函数得到;
轴向视野范围内的线性衰减系数分布μ1,保持轴向视野内的第一PET图像x1为常数,针对未知线性衰减系数分布μ最大化log
‑
likelihood函...
【专利技术属性】
技术研发人员:崔洁,李楠,
申请(专利权)人:江苏赛诺格兰医疗科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。