衰减校正方法和装置、训练方法和装置、成像方法和系统制造方法及图纸

本申请公开了衰减校正方法和装置、训练方法和装置、成像方法和系统、电子设备及存储介质。该衰减校正方法包括：将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；利用所述生成CT图像对未校正PET图像或其对应的PET探测数据进行衰减校正，得到校正PET图像或校正PET探测数据。本申请的方案能够从未衰减校正的PET图像直接得到生成CT图像，从而应用于PET自衰减校正，患者在进行PET检测之后，无需再进行额外的CT或者MR扫描过程，降低了患者的不适感和对患者的辐射剂量，且大幅降低了使用成本。使用成本。使用成本。

【技术实现步骤摘要】
衰减校正方法和装置、训练方法和装置、成像方法和系统


[0001]本申请涉及核探测领域，具体涉及衰减校正方法和装置、训练方法和装置、成像方法和系统。此外，本申请还涉及相关的电子设备及存储介质。

技术介绍

[0002]正电子放射计算机断层显像（Positron Emission Computed Tomography，简称PET），是核医学领域中较为先进的临床检查影像技术。PET是一种非侵入性的成像方式，它通过使用放射性标记分子，比如利用氟18
‑
氟代脱氧葡萄糖（FDG）作为生物标志物来提供直接成像，以评估葡萄糖代谢。其原理是，注射进人体内的物质在衰变过程中释放出正电子，一个正电子在行进一段距离遇到电子后就会发生湮灭，从而产生运动方向相反的一对能量为511KeV的光子，PET活性就是通过检测PET示踪剂发出的这么一对伽马射线来观察的。
[0003]在PET成像中，正电子湮灭产生的伽马光子在穿过人体组织时，由于不同的人体组织的密度和性质的不同，会导致伽马光子发生一定程度的能量衰减，从而影响PET成像的质量。在PET检测的过程中，这种衰减情况会导致PET成像的不准确进而影响医学检测的结果。因此在PET图像重建过程中，需要根据患者的骨骼、皮肤等人体组织结构来对PET原始数据进行衰减校正。
[0004]对于PET衰减这一问题，传统的解决方法有PET/MR衰减校正技术以及PET/CT衰减校正技术，这二者均是使用双模态成像的方法来进行PET衰减校正。PET/MR是将未衰减校正的PET图像与磁共振（MR）图像相结合，而PET/CT则是将未衰减校正的PET图像与X射线计算机断层扫描（CT）成像相结合，利用MR或者CT扫描得到的人体组织信息来辅助进行PET衰减校正。
[0005]然而上述两种方法都有其缺点。比如PET/MR衰减校正，它需要对患者进行PET和磁共振两种扫描，这不仅大大增加了成本，还对患者造成了更多的不适感。此外PET/MR的准确性也有些不尽人意，由于MR成像的原理是对人体内的氢原子进行磁化，以获得其产生的信号用来成像，水又占了人体内的大部分，因此MR成像获得的信息主要来自于人体内水分子在外加磁场中的变化情况，这也就导致常规的MR成像无法像CT一样直接获得某些组织对射线的衰减信息，并且对于骨皮质等缺乏水的致密组织存在成像盲区，而这些致密组织往往对PET成像过程中产生的伽马射线有较高的衰减作用，对PET自衰减校正重建的过程也很重要，这是PET/MR的一个致命的缺点。MR扫描相较于CT，扫描时间也往往更久，同时MR技术对扫描过程中的运动伪影也更加敏感，所以PET/MR衰减校正技术又容易受到患者身体一些运动的影响。
[0006]当前，许多医学工作者们选择去使用CT图像作为PET衰减校正的辅助，不过CT图像虽然能够良好地区分开骨结构以及空气、皮肤等组织，但为了获取CT图像，在临床使用时会对患者造成一定量辐射，而且额外的CT检查而导致的成本较高、患者不适的缺点。
[0007]当前，还提出在医学成像领域中利用机器学习或深度学习方法，但是这些基于机器学习或深度学习的衰减校正方法的衰减校正效果尚待提高。而且，某些基于机器学习或
深度学习的衰减校正方法仍需要在PET扫描之外再进行额外检查获得MR图像或CT图像来辅助衰减校正。
[0008]
技术介绍
描述的内容仅为了便于了解本领域的相关技术，不视作对现有技术的承认。

技术实现思路

[0009]因此，本申请意图提供衰减校正方法和装置、训练方法和装置、成像方法和系统、电子设备及存储介质，这些方案能够从未衰减校正的PET图像直接得到生成CT图像，从而应用于PET自衰减校正，患者在进行PET检测之后，无需再进行额外的CT或者MR扫描过程，降低了患者的不适感和对患者的辐射剂量，且大幅降低了使用成本。
[0010]在第一方面，提供一种衰减校正网络模型的训练方法，其可包括：获取多个PET训练图像和对应的多个CT标签图像；以所述多个PET训练图像为输入、所述多个CT标签图像和多个PET训练图像为标签、生成CT图像和PET生成图像为互逆输出，对可逆生成网络进行迭代训练，直至达到预设训练完成条件，并存储至少部分批次（batch）和/或代次（epoch）迭代训练得到的可逆生成网络模型；在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。
[0011]在本申请实施例中，所述可逆生成网络包括多个依次连接的可逆模块，每个可逆模块由可逆的双射函数表征。
[0012]在本申请实施例中，每个可逆模块包括用于分流的可逆1x1卷积、位于第一分流路径的多个耦合层和位于第二分流路径的多个耦合层，其中不同分流路径的耦合层通过变换函数互连，所述第一和第二分流路径经过所述耦合层后再彼此拼接。
[0013]在本申请实施例中，所述耦合层为仿射耦合层，且由下式表示：其中，D为给定的维度，d为自然数且d＜D，m为输入，n为输出，s和t分别代表尺度变换函数和平移变换函数，
⊙
代表哈达玛积。
[0014]在本申请实施例中，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一通道复制层和位于所述多个依次连接的可逆模块逆向上游的第二通道复制层。
[0015]在本申请实施例中，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一归一化层和位于所述多个依次连接的可逆模块逆向上游的第二归一化层。
[0016]在本申请实施例中，可逆生成网络的迭代训练的每次迭代包括：将所述PET训练图像正向输入所述可逆生成网络，输出对应的生成CT图像；将所述生成CT图像逆向输入所述可逆生成网络，输出对应的PET生成图像；基于所述生成CT图像和所述CT标签图像确定正向损失；基于所述PET生成图像和所述PET训练图像确定逆向损失；基于所述正向损失和逆向损失确定的总损失，更新所述可逆生成网络的参数。
[0017]在本申请实施例中，所述在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型，包括：
基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型；基于第二判断标准在所述多个优选模型中选择所述最优模型，所述第一判断标准不同于所述第二判断标准。
[0018]在本申请实施例中，所述基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型，包括：确定所述存储的可逆生成网络模型对应的生成CT图像和CT标签图像的第一相似度指标；基于所述第一相似度指标，选择所述多个优选模型。
[0019]在本申请实施例中，所述基于第二判断标准在所述多个优选模型中选择所述最优模型，包括：利用所述多个优选模型对应的生成CT图像对未校正PET图像进行第一衰减校正，得到第一校正PET图像；利用所述多个优选模型对应的CT标签图像对未校正PET图像进行第二衰减校正，得到第二校正PET图像；确定所述多个优选模型对应的第一校正PET图像和第二校正PET图像的第二相似度指标；基于所述第二相似度指标，选择所述最优模型。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种衰减校正网络模型的训练方法，其特征在于，包括：获取多个PET训练图像和对应的多个CT标签图像；以所述多个PET训练图像为输入、所述多个CT标签图像和多个PET训练图像为标签、生成CT图像和PET生成图像为互逆输出，对可逆生成网络进行迭代训练，直至达到预设训练完成条件，并存储至少部分批次和/或代次迭代训练得到的可逆生成网络模型；在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型。2.根据权利要求1所述的训练方法，其特征在于，所述可逆生成网络包括多个依次连接的可逆模块，每个可逆模块由可逆的双射函数表征。3.根据权利要求2所述的训练方法，其特征在于，每个可逆模块包括用于分流的可逆1x1卷积、位于第一分流路径的多个耦合层和位于第二分流路径的多个耦合层，其中不同分流路径的耦合层通过变换函数互连，所述第一和第二分流路径经过所述耦合层后再彼此拼接。4.根据权利要求3所述的训练方法，其特征在于，所述耦合层为仿射耦合层，且由下式表示：其中，D为给定的维度，d为自然数且d＜D，m为输入，n为输出，s和t分别代表尺度变换函数和平移变换函数，
⊙
代表哈达玛积。5.根据权利要求2所述的训练方法，其特征在于，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一通道复制层和位于所述多个依次连接的可逆模块逆向上游的第二通道复制层。6.根据权利要求2所述的训练方法，其特征在于，所述可逆生成网络包括位于所述多个依次连接的可逆模块正向上游的第一归一化层和位于所述多个依次连接的可逆模块逆向上游的第二归一化层。7.根据权利要求1至6中任一项所述的训练方法，其特征在于，每次迭代包括：将所述PET训练图像正向输入所述可逆生成网络，输出对应的生成CT图像；将所述生成CT图像逆向输入所述可逆生成网络，输出对应的PET生成图像；基于所述生成CT图像和所述CT标签图像确定正向损失；基于所述PET生成图像和所述PET训练图像确定逆向损失；基于所述正向损失和逆向损失确定的总损失，更新所述可逆生成网络的参数。8.根据权利要求1至6中任一项所述的训练方法，其特征在于，所述在存储的可逆生成网络模型中确定最优模型作为所述衰减校正网络模型，包括：基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型；基于第二判断标准在所述多个优选模型中选择所述最优模型，所述第一判断标准不同于所述第二判断标准。9.根据权利要求8所述的训练方法，其特征在于，所述基于第一判断标准在存储的可逆生成网络模型中选择多个优选模型，包括：确定所述存储的可逆生成网络模型对应的生成CT图像和CT标签图像的第一相似度指标；
基于所述第一相似度指标，选择所述多个优选模型。10.根据权利要求8所述的训练方法，其特征在于，所述基于第二判断标准在所述多个优选模型中选择所述最优模型，包括：利用所述多个优选模型对应的生成CT图像对未校正PET图像进行第一衰减校正，得到第一校正PET图像；利用所述多个优选模型对应的CT标签图像对未校正PET图像进行第二衰减校正，得到第二校正PET图像；确定所述多个优选模型对应的第一校正PET图像和第二校正PET图像的第二相似度指标；基于所述第二相似度指标，选择所述最优模型。11.根据权利要求9或10所述的训练方法，其特征在于，所述相似度指标包括峰值信噪比、结构相似性、均方根误差、均方误差或平均绝对误差中的一个或多个。12.根据权利要求1至6中任一项所述的训练方法，其特征在于，所述获取多个PET训练图像和对应的多个CT标签图像，包括：获取多个原始PET图像；获取对应的多个原始CT图像；将所述多个原始PET图像与所述多个原始CT图像配准；基于所述配准，调节所述多个原始CT图像与所述多个原始PET图像的尺寸一致，得到多个CT标签图像和多个PET训练图像。13.根据权利要求12所述的训练方法，其特征在于，所述获取多个原始PET图像，包括：对多个对象进行第一探测以获得第一探测数据；对所述第一探测数据进行重建得到所述多个原始PET图像；所述获取对应的多个原始CT图像，包括：对所述多个对象进行第二探测以获得第二探测数据；对所述多个第二探测数据进行重建得到所述多个原始CT图像。14.一种衰减校正方法，其特征在于，包括：将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；利用所述生成CT图像对所述未校正PET图像进行衰减校正得到校正PET图像。15.根据权利要求14所述的衰减校正方法，其特征在于，所述衰减校正网络模型由根据权利要求1至13中任一项所述的训练方法训练而成。16.一种衰减校正方法，其特征在于，包括：将未校正PET图像输入训练好的衰减校正网络模型，得到生成CT图像，所述衰减校正网络模型基于可逆生成网络并利用PET训练图像和对应的CT标签图像训练得到；利用所...

【专利技术属性】
技术研发人员：李炳轩，房磊，张博，杨玲莉，陈维操，
申请(专利权)人：合肥锐世数字科技有限公司，
类型：发明
国别省市：