[发明专利]一种衰减校正系数图像的获取方法、PET图像重建方法

说明书

本发明涉及一种衰减校正系数图像的获取方法、PET图像重建方法，获取方法包括：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第一图像和近似衰减校正的第二图像，将第一图像和/或第二图像输入训练的深度学习网络，获取深度学习网络输出的衰减校正系数一；修正衰减校正系数一；修正后的衰减校正系数用于在医学影像图像重建中作为初始值，和/或者作为调整医学影像图像重建迭代过程中每一次迭代的线性衰减校正系数的弹性变换系数，以加快医学影像图像重建迭代过程的收敛路径。上述方法可以保证迭代过程快速收敛，增加重建算法的稳定性和定量性、准确性。

技术领域

本发明涉及医学成像技术领域，尤其涉及一种衰减校正系数图像的获取方法、PET图像重建方法、PET系统。

背景技术

正电子发射断层显像PET(Positron Emission Tomography)是当前核医学领域中最为先进的临床检查影像技术之一。在PET系统采集时，光子到达PET系统之前，会在人体中进行衰减，较之物体内部，物体表面的符合事件有着更大的探测效率。如果这种射线衰减效应没有被校正，重建图像中会产生物体边缘影像过亮，物体内部组织影像过暗的衰减伪影。PET系统通常会集成其他模态系统(比如CT、MRI等)以获取患者的解剖结构成像，一方面可以对核素分布情况进行精确定位，提高了病灶定位的准确性；另一方面对应得到患者的组织密度分布可以用于PET图像重建中的衰减校正，最终获得放射性药物在患者体内的准确分布。PET功能成像和其他模态的解剖结构成像最终将进行同机融合，兼容功能成像和解剖成像的优点，达到早期发现病灶和诊断疾病的目的，对肿瘤和心脏、脑部疾病的诊治指导更具优势。

然而，在多模态采集应用中，有时无法准确获得与PET数据相匹配的衰减信息，导致衰减校正错误，以至于PET图像上会产生额外伪影。

为此，需要一种不依赖多模态数据的衰减信息获取方法，故，在实际应用中需要设置经验值，进行长时间的迭代实现。即，在实际应用时，通常需要经过多次迭代以逼近理想值，这导致迭代收敛运算时间过长，通常需要配套更高水平的计算资源(比如高性能GPU)，增加了成本。另外迭代算法无法确保收敛到全局最优结果，有可能会收敛到局部最优解。为了避免这种情况的发生，需要在迭代算法中加入很多限制和保护，也需要设置调节参数，这降低了算法的稳定性和鲁棒性。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种衰减校正系数图像的获取方法、PET图像重建方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明实施例提供一种衰减校正系数图像的获取方法，其包括：

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第一图像和近似衰减校正的第二图像，所述第二图像是基于指定区域的线性衰减校正系数经验值对第一图像进行衰减校正后重建的图像；

S20、将所述第一图像和/或第二图像输入预先训练的深度学习网络，获取该深度学习网络输出的线性衰减校正系数一；

S30、基于预先确定的扫描床的线性衰减系数二和所述线性衰减校正系数一，获取修正后的用于医学影像图像重建的衰减校正系数；

修正后的衰减校正系数用于在医学影像图像重建中作为初始值，和/或者作为调整医学影像图像重建迭代过程中每一次迭代的线性衰减校正系数的弹性变换系数，用以加快医学影像图像重建迭代过程的收敛路径；

所述预先训练的深度学习网络为基于已重建的医学影像图像及匹配的关联图像对构建的深度学习网络进行训练得到的网络。

可选地，所述深度学习网络为下述的一种：CNN网络、Unet网络、GAN网络；