[发明专利]一种基于流模型的PET系统衰减校正方法

说明书

本发明公开了一种基于流模型的PET系统衰减校正方法，其采用的流模型是一种完全可逆的模型，正向和反向映射共享相同的参数，结构本身就是一致性约束，该模型利用相邻切片的空间相关性，采用多切片输入，单切片输出的结构；模型由多个可逆块组成，每个可逆块由一个提升的仿射耦合层和一个可逆1×1卷积层组成，并使用若干个small u‑net来学习提升的仿射耦合层的变换参数。本发明避免了额外的CT或MR扫描，为病人节省了扫描成本，并且减少了CT辐射对病人的伤害；相比于同类方法，能够获得质量更高的衰减校正后的PET图像。

技术领域

本发明属于生物医学图像分析技术领域，具体涉及一种基于流模型的PET系统衰减校正方法。

背景技术

衰减校正是定量正电子发射断层扫描(PET)分析的重要步骤，它可以提高图像的对比度，为医生诊断提供有价值的信息。在临床实践中，需要额外的计算机断层扫描(CT)或磁共振(MR)扫描来对PET图像进行衰减校正，这增加了患者检查的成本和时间。此外，CT成像具有放射性，对人体有害，对儿童患者的伤害更大，虽然MR成像没有放射性，但它不包含衰减信息；所以主要使用MR图像的解剖结构，但是这往往会导致衰减校正结果不准确，尤其是肺部。

最近，一些基于深度学习的方法被用于在没有CT的情况下，解决衰减校正问题。一些研究者先从MR图像或非衰减校正(NAC)的PET图像中获得合成CT图像(sCT)，然后使用sCT进行衰减校正，然而这种方法获得的sCT图像与真实的CT图像存在一些差异，当有误差的sCT图像用于衰减校正时，误差会进一步传递到衰减校正的PET图像上。

其他研究人员直接从NAC图像中获取衰减校正图像，取得了不错的结果，如Yang等人的文献[Sinogram-based attenuation correction in PET/CT]以及Shiri等人的文献[Direct attenuation correction of brain PET images using only emission datavia a deep convolutional encoder-decoder(Deep-DAC)]只是让神经网络从数据中学习NAC图像到AC图像的转换，并没有考虑一致性约束，即从AC图像反向获取NAC图像。添加一致性约束可以使神经网络收敛到更可靠的解决方案，减少深度学习常见的过拟合问题；Dong等人在文献[Deep learning-based attenuation correction in the absence ofstructural information for whole-body positron emission tomography imaging]中使用CycleGAN添加了一致性约束，但是正向和反向生成器具有独立的参数，并不是精确地互为逆函数；此外其采用了分块操作，这种操作会减慢运行速度，而且在拼接图像块的时候会出现棋盘格子。

流模型是一种完全可逆的模型，它的正向和反向映射共享相同的参数，结构本身就是一致性约束。一旦前向映射被训练好，逆向映射就随之确定，具有解决PET衰减校正问题的优势。

发明内容

鉴于上述，本发明提供了一种基于流模型的PET系统衰减校正方法，能够避免额外的CT或MR扫描，为病人节省了扫描成本，并且减少了CT辐射对病人的伤害，能够获得质量更高的衰减校正后的PET图像。

一种基于流模型的PET系统衰减校正方法，包括如下步骤：

(1)采集扫描对象的CT数据，然后给扫描对象注射示踪剂，利用PET系统扫描采集PET的sinogram数据；

(2)将CT图像转化为511KeV能量下的衰减图像；

(3)基于sinogram数据重建未衰减校正的PET图像，进而利用该PET图像计算未衰减校正的SUV图像；

(4)基于sinogram数据以及CT的衰减图像，重建获得衰减校正后的PET图像，并利用该PET图像计算出衰减校正后的SUV图像；