【技术实现步骤摘要】
一种基于单模态PET图像获取衰减校正系数图像的方法
[0001]本专利技术涉及医学成像
,尤其涉及一种基于单模态PET图像获取衰减校正系数图像的方法、PET图像重建方法、PET系统。
技术介绍
[0002]当前,在多模态(如PET/CT)设备实际的成像过程中,CT并不能准确的得到与PET数据相匹配的衰减信息。理由是,CT扫描一般是在很短的时间内完成,而PET扫描一个体位通常需要几分钟时间,由于患者的呼吸运动以及心脏的跳动,其体内部分脏器并不完全处于静态,或者患者在扫描过程中发生移动,PET重建的图像与CT重建的图像存在一定程度的不匹配,此时使用CT数据为PET图像重建进行衰减校正,PET图像将产生衰减伪影;
[0003]其次,相比于其他模态(如CT或MRI)设备的扫描范围,PET的扫描范围一般更大。当对体型较大的患者进行扫描时,其他模态成像有可能无法提供足够大的扫描范围,这将导致最终得到的衰减系数图像发生截断,将其应用在PET图像重建之中会使图像产生衰减伪影。
[0004]虽然PET/CT检测的辐射剂量被严格控制在绝对安全的范围之内,还是需要尽可能降低患者接受的辐射剂量。患者除了要经受内注射放射性药物辐射之外,还需进行低剂量的CT扫描用于解剖定位以及衰减校正;在不同的扫描协议情况下,如延迟扫描,可能还需要进行多次配套的CT扫描,额外增加了受试者接受的辐射剂量。
[0005]最后,在PET扫描过程中,扫描床板是无法被PET扫描所探测到,但是实际上它对衰减校正的影响也比较大,在无CT扫描的情 ...
【技术保护点】
【技术特征摘要】
1.一种基于单模态PET图像获取衰减校正系数图像的方法,其特征在于,包括:S10、针对用于医学影像图像重建的探测数据,获取该探测数据的未作衰减校正的PET图像;S20、基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,输入预先训练的生成器G中,获取G输出的所述探测数据对应的伪衰减系数图像;所述伪衰减系数图像用于实现PET图像重建;所述生成器G为采用有监督学习方式训练生成的G,该G包括:空间变换网络和合成网络;所述空间变换网络用于基于已知的扫描床板的衰减系数图像和所述未作衰减校正的PET图像,获取扫描床板特征信息并输入所述合成网络,所述合成网络基于未作衰减校正的PET图像,提取该PET图像的第一特征信息并融合扫描床板特征信息,映射生成所述伪衰减系数图像。2.根据权利要求1所述的方法,其特征在于,所述S10之前,还包括:基于PET探测数据及该PET探测数据匹配的其他模态图像,获取用于训练生成器G的训练样本;其中,每一训练样本包括:PET探测数据对应的真实线性衰减校正系数图像、未作衰减校正的PET图像、已知的扫描床板的衰减系数图像;所述其他模态图像用于获取真实的线性衰减校正系数图像;训练过程中,基于每一训练样本中的未作衰减校正的PET图像和扫描床板的衰减系数图像输入G,并将G的输出和该训练样本的真实线性衰减校正系数图像均输入鉴别器D中,以对训练中G的输出进行判别,交替进行G和D的训练,使训练后的G生成输出的伪衰减系数图像与真实线性衰减校正系数图像匹配。3.根据权利要求2所述的方法,其特征在于,训练中的损失函数L为:L
GAN
(G,D)为生成对抗损失;L
GAN
(G,D)=
‑
E
xy
[D(x,z,y)]+E
x
[D(x,z,G(x,z))]
ꢀꢀꢀꢀꢀꢀꢀ
(2)L1为用于保证低频信息的损失函数;其中,针对每一次训练,x表示未作衰减校正的PET图像,z表示已知的扫描床板的衰减系数图像,y表示真实线性衰减校正系数图像;E
xy
[D(x,z,y)]表示该输入下的期望,D(x,z,y)表示D对真实线性衰减校正系数图像的判别结果,D(x,z,G(x,z))表示D对采用G输出的图像的判别结果;λ为超参数。4.根据权利要求2所述的方法,其特征在于,所述合成网络包括:编码器、残差模块和解码器;三者按顺序串联;解码器与编码器具有相对称的结构,解码器与编码器之间使用跳跃连接,将编码器中输出的卷积特征传递到解码器中;所述编码器包括:1个卷积层,3个下采样基本模块;第1个卷积层用于接收输入的未作衰减校正的PET图像以及空间变换网络输入的扫描床...
【专利技术属性】
技术研发人员:何升级,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。