[发明专利]使用深度学习根据低剂量PET成像进行全剂量PET图像估计

说明书

重建发射成像数据以生成低剂量重建图像。应用标准化摄取值(SUV)转换(30)以将所述低剂量重建图像转换为低剂量SUV图像。将神经网络(46、48)应用于所述低剂量SUV图像以生成估计的全剂量SUV图像。在应用所述神经网络之前，使用低通滤波器(32)对所述低剂量重建图像或所述低剂量SUV图像进行滤波。使用具有均方误差损失分量(34)和惩罚图像纹理的损失的损失分量(36)和/或促进边缘保留的损失分量(38)的损失函数在训练低剂量SUV图像集和对应的训练全剂量SUV图像上训练所述神经网络，以变换所述训练低剂量SUV图像来匹配所述对应的训练全剂量SUV图像。

技术领域

下文总体上涉及医学成像领域、正电子发射断层摄影(PET)成像和图像重建领域、单光子发射计算机断层摄影(SPECT)成像和图像重建领域以及相关领域。

背景技术

在肿瘤学中，PET成像用于完成诸如评价病变恶性程度和疾病阶段之类的任务。在典型的工作流程中，将放射性药物施用于患者(例如，静脉注射)。在一些PET成像工作流程中，通常在经过数十分钟到一个小时的等待时间后，将患者装载到PET成像扫描器中并且采集PET成像数据。在等待时段期间，预计放射性药物优先被收集在感兴趣组织(例如，放射性示踪剂摄取量高的恶性病变)中。因此，PET成像数据表示放射性药物在患者体内的分布，因此呈现了包含放射性药物的组织或器官的图像。

由于在PET扫描期间患者和技术人员会暴露于大量辐射，因此在PET中使用放射性示踪剂进行病变探测值得关注。暴露于高水平辐射会增加患癌的风险。因此，期望减少用于向患者注射的放射性示踪剂的剂量以最大程度地减小辐射暴露。然而，在给定的PET成像数据采集时间段内，较低剂量的放射性药物转化为较低的总计数；较低的总计数继而会在重建的PET图像中转化成较高的相对噪声，并且可能还会丢失更精细的细节。结果得到的“低剂量”PET图像的整体质量较低可能会导致错误诊断，例如丢失较小的病变和/或错误解读探测到的病变的状态。已经做出努力以通过采集后图像处理技术来应对低剂量PET的图像质量下降。例如，采用边缘保留的图像正则化能够减少噪声。

还已经通过经由深度学习进行降噪来努力减轻低剂量的影响。通过模型来学习低剂量图像与全剂量图像之间的关系。在下面的文献中描述了这种方法的一些示例：Xiang等人的“Deep auto-context convolutional neural networks for standard-dose PETimage estimation from low-dose PET/MRI”(神经计算，第267卷，第1期，第406-416页，2017年6月)；Yang等人的“CT Image Denoising with Perceptive Deep NeuralNetworks”(第14届放射与核医学全三维图像重建国际会议，中国西安，2017年，第858-863页)；以及Wolterink等人的“Generative Adversarial Networks for Noise Reductionin Low-Dose CT”(IEEE医学成像汇刊，第36卷，第12期，2017年12月)。

下文公开了某些改进。

发明内容

在本文公开的一些实施例中，一种发射成像数据重建设备包括电子处理器和非瞬态存储介质，所述非瞬态存储介质存储指令，所述指令能由所述电子处理器读取并运行以执行图像重建和增强过程，所述图像重建和增强过程包括：重建发射成像数据以生成低剂量重建图像(例如，灰度值图像)；应用标准化摄取值(SUV)转换以将所述低剂量重建图像转换为低剂量SUV缩放图像；以及将神经网络应用于所述低剂量SUV图像以生成估计的全剂量SUV图像。在一些实施例中，SUV图像可以包括瘦体重SUV(SUL)图像。