【技术实现步骤摘要】
本专利技术涉及人工智能医学图像生成，具体涉及一种基于mri序列生成pet图像的方法及系统。
技术介绍
1、前列腺癌是发生于男性前列腺组织中的恶性肿瘤，是前列腺腺泡细胞异常无序生长的结果，已位居全球男性恶性肿瘤发病第二位。不但前列腺癌的危害很大，严重影响人们的健康。早期发现前列腺癌，准确分期和精准治疗，能够显著提高患者的生存率，并降低医疗费用。mr和pet是无创影像技术，并被纳入前列腺癌诊疗指南(2022年)。mr序列具有很好软组织分辨率(t1wi、t2wi等)，adc能够对病变组织进行定量化分析。但是，mri多序列、多参数的图像却并不具有特异性。mri成像很难发现早期病变，以及早期转移的淋巴结病灶。前列腺-特异性膜抗原(prostate-specific membrane antigen,psma)pet(pet/ct或pet/mr)是一种用于检测和分期原发性或复发性病变的新型成像技术，早期的研究表明，与其他目前采用的成像技术(如多参数mri，骨扫描，pet和ct)结合使用时，其灵敏度和特异性有所提高。
2、68ga或18f标记的psma是临床公认的特异性前列腺癌诊断pet显像剂。在前列腺癌的早期诊断、临床分期、治疗方案制定和疗效评估中具有重要的价值。但是，68ga或18f标记的psma的合成过程复杂、制备成本高，受放射性药物供应的限制；进行pet成像需要pet成像仪和专用图像处理系统。这些固有缺陷限制了68ga或18f标记的psma临床应用。
3、mr是无创、多参数医学影像系统，是临床必备的具有普及性应
4、采用mr图像生成pet特异性图像技术进展：
5、基于深度学习神经网络医学图像合成已经取得很大的进步。医学图像合成分为生成同模态医学影像和夸模态医学影像生成两种：
6、(1)同模态医学图像生成：这类包括比如从mr的t1或t2合成ct图像在放射治疗电子密度计算、靶区模拟定位已经用于放射治疗中并发挥重要的作用，或从mr序列图像合成ct图像对pet成像过程中γ射线的衰减校正，以及提高pet成像系统扫描速度或降低注射放射性药物剂量技术已经被临床认可。也有资料介绍从18f-fdg pet图像合成类似18f-av45pet图像。从mr合成ct图像均属于从解剖结构模态图像生成解剖结构基础上的通模态医学图像。从18f-fdg pet生成18f-av45属于从pet图像生成pet图像。前者研究较多，并且部分成果已经用于临床应用中。
7、使用深度学习生成用于医学图像处理的规范成像数据的系统和方法(cn202010226902.2)属于同模态生成图像，该技术主要是采用对抗神经网络(gan)降低噪音和提高同类图像质量。一种可用于生成mr图像的模型及其建立方法(cn201910056089.6)介绍从基于gan神经网络mr生成mr图像技术，也属于同类图像生成。
8、(2)跨模态医学图像生成：这类技术包括1)用mr图像生成18f-fdg、或从18f-fdg生成mr、ct类图像。这类技术提供从解剖结构或代谢类生成解剖结构或pet代谢图像。一种图像重建方法(cn201710148462.1)采用mr图像生成ct再对pet图像校正以及mri合成ct影像的方法、装置、设备及可读存储介质(cn202310167106.x)。这两个技术属于跨膜态图像生成，但是属于解剖结构图像生成，不是特异性图像生成。多模态医学图像生成方法和装置(cn202011435776.8)技术提出从ct、mri和pet图像中一种生成另外两种的方法，但是该技术提出的pet指的是18f-fdg pet图像，因为不同的正电子药物扫描获得pet图像之间存在本质的区别，一般未指明正电子药物的pet图像均属于18f-fdg pet图像。该技术(cn202011435776.8)属于跨膜态非特异性pet图像生成技术。2)用mr定量图像生成具有特异性psma pet图像存在技术难度，特别是对图像预处理等，迄今未见公开有报道。这类合成图像之所以技术上很难，是因为①mr adc或t1、t2图像与特异性pet图像差距巨大，存在本质的区别。这类生成需要对mr不同序列图像进行高难度的图像预处理；②由于成本和技术技术问题，68ga或18f标记的psma类特异性示踪剂临床图像积累的数据有限。
技术实现思路
1、本申请提供一种基于mri序列生成pet图像的方法及系统，以解决现有psma pet成像操作复杂、成本高，临床应用受限的问题。
2、根据第一方面，一种实施例中提供一种基于mri序列生成pet图像的方法，所述方法包括：
3、在同一台设备获取前列腺扫描mri序列和psma pet图像集，确保mri和pet图像精准配准；
4、基于mri序列得到mri adc图像，所述mri adc图像包括盆腔大视野和前列腺小视野adc图像；
5、对得到的mri adc图像和psma pet图像集进行预处理，并构建训练集、验证集和测试集；
6、基于所述训练集、验证集和测试集对预先构建的3d unet神经网络模型分别进行训练、模型调优和调整超参数以及测试，所述3d unet神经网络模型的输入为mri adc图像，输出为合成的psma pet图像；
7、将待处理的mri adc图像输入至得到的3d unet神经网络模型，输出合成的psmapet图像。
8、进一步地，获取前列腺扫描mri序列和psma pet图像集，具体包括：
9、对注射有68ga或18f标记的psma的受检者，利用一体化pet/mr设备进行前列腺扫描，得到mr序列和psma pet图像。
10、进一步地，基于mri序列得到mri adc图像，具体包括：
11、所述mri序列包括t1wi、t2wi、dwi以及小视野dwi序列，基于dwi序列计算得到mriadc图像。
12、进一步地，对得到的mri adc图像和psma pet图像集进行预处理，具体包括：
13、对psma pet图像进行部分容积效应校正，并将标准化摄取值suv统一到预设范围值。
14、进一步地，对得到的mri adc图像和psmapet图像集进行预处理，具体包括：
15、将adc图像转化为单位为mm2/s图像，将adc最大值选择为游离水adc值，并对adc图像进行降噪。
16、进一步地，对得到的mri adc图像和psma pet图像集进行预处理，具体包括：
17、将adc图像和pet图像采用刚性配准技术配准，配准时固定adc移动pet图像。
18、进一步地，基于所述训本文档来自技高网...
【技术保护点】
1.一种基于MRI序列生成PET图像的方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于MRI序列生成PET图像的方法，其特征在于，在同一台设备获取前列腺扫描MRI序列和PSMAPET图像集，具体包括：
3.如权利要求1所述的一种基于MRI序列生成PET图像的方法，其特征在于，基于MRI序列得到MRIADC图像，具体包括：
4.如权利要求1所述的一种基于MRI序列生成PET图像的方法，其特征在于，对得到的MRIADC图像和PSMAPET图像集进行预处理，具体包括：
5.如权利要求1所述的一种基于MRI序列生成PET图像的方法，其特征在于，对得到的MRIADC图像和PSMAPET图像集进行预处理，具体包括：
6.如权利要求1所述的一种基于MRI序列生成PET图像的方法，其特征在于，对得到的MRIADC图像和PSMAPET图像集进行预处理，具体包括：
7.如权利要求1所述的一种基于MRI序列生成PET图像的方法，其特征在于，基于所述训练集、验证集和测试集对预先构建的3D Unet神经网络模型分别进行
8.一种基于MRI序列生成PET图像的系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，所述设备包括：处理器和存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种基于MRI序列生成PET图像的方法的步骤。
...【技术特征摘要】
1.一种基于mri序列生成pet图像的方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于mri序列生成pet图像的方法，其特征在于，在同一台设备获取前列腺扫描mri序列和psmapet图像集，具体包括：
3.如权利要求1所述的一种基于mri序列生成pet图像的方法，其特征在于，基于mri序列得到mriadc图像，具体包括：
4.如权利要求1所述的一种基于mri序列生成pet图像的方法，其特征在于，对得到的mriadc图像和psmapet图像集进行预处理，具体包括：
5.如权利要求1所述的一种基于mri序列生成pet图像的方法，其特征在于，对得到的mriadc图像和psmapet图像集进行预处理，具体包括：
6.如权利要...
【专利技术属性】
技术研发人员：杨卫东，汪静，康飞，李桂玉，马涛奇，马温惠，黎翔，王婧伊，叶佳俊，
申请(专利权)人：中国人民解放军空军军医大学，
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。