一种PET图像的散射校正方法及PET系统技术方案

本发明专利技术涉及一种PET图像的散射校正方法及PET系统，方法包括：针对指定的轴向视野范围的探测数据，获取第一PET图像和第一衰减系数图像；将患者基本信息和第一PET图像、第一衰减系数图像输入深度学习网络，获取深度学习网络输出的第二PET图像和第二衰减系数图像；第二PET图像为轴向视野范围外的仿真输出图像；基于第一、第二PET图像、第一、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。上述方法获取的散射校正信息更全面，更准确，其应用于PET重建，使得PET图像无伪影，图像质量更优。图像质量更优。图像质量更优。

【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的方法可以粗略的对视野外散射进行补偿，但是该补偿往往是简单的近似，并不准确，在病人注射剂量较低、扫描时间较短或在肥胖病人的扫描中，噪声较大，会严重影响散射校正的准确性。
[0005]其次，对于多模态采集模式，有时无法准确获得与PET数据相匹配的线性衰减系数分布，以至于在PET图像上产生伪影。不同模态的图像位置可能存在相对偏差。以PET/CT系统为例，CT扫描通常可以在很短时间内完成，获得的图像几乎是某时刻的快照。但是PET扫描速度较慢，每个体位通常会花费几分钟时间，因此不可能在病人屏气状态下完成数据采集。在长时间的PET扫描中，病人身体有可能发生移动(如扫描时间较长时胳膊，头等部位会发生移动)，会导致PET和CT图像不匹配，产生明显的散射伪影。扫描过程中衰减图像存在明显的伪影，也会导致PET图像衰减系数分步出现明显误差。例如体内含有金属物质患者的CT图像(比如心脏起搏器或金属牙套等)存在明显的高亮金属伪影，它使周围的组织难以准确分辨，从而使线性衰减系数分布产生明显伪影，严重影响PET图像的散射校正。最后，PET的扫描范围通常会大于其他模态(比如CT或MRI)的扫描范围。在扫描体重比较大的患者时，其他模态成像很可能无法提供足够大的成像范围，这会导致线性衰减系数分布发生截断。这种不完整的衰减信息应用在PET重建中也会产生伪影。当PET与其他模态图像联合成像时，其他模态图像某种程度限制了PET散射校正的准确性。

技术实现思路

[0006](一)要解决的技术问题
[0007]鉴于现有技术的上述缺点、不足，本专利技术提供一种PET图像的散射校正方法及PET系统，能够实现对扫描床位进行准确的散射校正。
[0008](二)技术方案
[0009]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0010]第一方面，本专利技术实施例提供一种PET图像的散射校正方法，其包括：
[0011]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；该处第一PET图像和第一衰减系数图像可为采用现有方式获取的；
[0012]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；
[0013]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；
[0014]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。
[0015]可选地，在S10之前，所述方法还包括：
[0016]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；
[0017]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；
[0018]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；
[0019]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。
[0020]可选地，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：
[0021][0022][0023]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；
[0024]第二PET图像x2，第二衰减系数图像μ2作为G的输出，
[0025]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。
[0026]可选地，所述深度学习网络为下述的一种：CNN网络、Unet网络、GAN网络。
[0027]可选地，所述S10包括：
[0028]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；
[0029]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函数，利用PET数据计算得到轴向视野内的第一衰减系数图像μ1。
[0030]可选地，所述S30包括：...

【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：