一种无伴随CT辐射的单床PET延迟成像方法与流程

bp图像转换成更接近于真实pet图像的pseudo pet图像，将正常扫描和延迟扫描得到的pet bp图像转换成pseudo pet图像，然后建立图像生成网络，该网络的输入包含正常扫描得到的pseudo pet图像和ct图像，以及延迟扫描得到的pseudo pet图像，能输出正常扫描和延迟扫描间的变形场和延迟扫描时刻的ct图像，该ct图像最后用于延迟扫描pet图像重建中的衰减校正，得到suv定量准确的pet图像并用于肿瘤检测。本发明的方法能消除延迟扫描中病人接受的ct辐射，减轻病人生理和心理上的压力，推动pet延迟成像的应用。
6.本发明的目的是通过以下技术方案来实现的：一种无伴随ct辐射的单床pet延迟成像方法，包括以下步骤：步骤一：采集需进行延迟pet重建患者正常扫描的pet数据和正常扫描的ct数据，并生成pet bp图像和ct图像，采集延迟扫描时的pet数据，并生成pet bp图像；步骤二：利用一训练好的图像重建网络将步骤一得到的正常扫描和延迟扫描的pet bp图像分别转换成接近于pet ac图像的正常扫描和延迟扫描的pseudo pet图像；步骤三：利用一训练好的ct图像生成网络，以步骤一得到的正常扫描的ct图像和步骤二得到的正常扫描和延迟扫描的pseudo pet图像为输入，获得延迟扫描的ct图像；步骤四：采用双线性法将步骤三中获取的ct图像转换成衰减校正所需的μ
‑
map图像，并结合步骤一中采集的pet数据生成定量准确的重建pet图像；其中，所述图像重建网络通过以采集的pet bp图像数据为输入，pseudo pet图像为输出，pet ac图像为标签，以最小化损失函数为目标进行训练获得；所述ct图像生成网络通过以采集的正常扫描和延迟扫描的pet bp图像数据和正常扫描的ct图像为输入，延迟扫描的ct图像为输出，采集的延迟扫描的ct图像为标签，以最小化损失函数为目标进行训练获得。
7.进一步地，所述图像重建网络选自unet。
8.进一步地，所述ct图像生成网络包括图像配准网络、采样器和形变网络，其中图像配准网络根据输入的正常扫描和延迟扫描的pet bp图像数据输出正常扫描和延迟扫描间的低分辨率变形场，采样器将低分辨率变形场转换为高分辨率变形场，形变网络根据输入的正常扫描的ct图像和高分辨率变形场生成延迟扫描的ct图像。
9.进一步地，所述图像配准网络选自unet、voxelmorph、convnet或 dirnet。
10.进一步地，延迟扫描的pet bp图像为单床，则通过补零将单床延迟扫描的pet bp图像或pseudo pet图像变为全身延迟扫描的图像并获取对应的掩模图像作为ct图像生成网络的输入。
11.进一步地，所述ct图像生成网络训练时的损失函数具体为：f = d
1 (ct2, m
ꢀ◦
stn(ct1)) + d2(pet2 , m
ꢀ◦
stn(pet1)) + r(dvf)式中，ct1和ct2分别表示正常扫描和延迟扫描的ct图像，pet1和pet2分别表示正常扫描和延迟扫描的pet图像（pet ac图像或者pseudo pet图像），stn(*)为形变网络的输出，r(dvf)为变形场的正则化项，d1(*)、d2(*)为相似性度量函数，m为通过补零得到的全身延迟扫描的pet bp图像的掩模图像。
12.进一步地，所述延迟扫描次数可以为一次，也可以为连续多次扫描。
13.本发明的有益效果是：本发明提出了一种无伴随ct辐射的单床pet延迟成像方法，包含两个神经网络：图像重建网络和ct图像生成网络。图像重建网络将pet bp图像转换成
接近于真实pet ac图像的pseudo pet图像，解决了pet bp由于灰度不均（身体表面的灰度比较高，而身体内部的灰度比较低）难以直接用于图形配准的问题。图像生成网络能生成用于pet延迟成像衰减校正所需的ct图像。本发明的方法能消除延迟扫描中病人接受的ct辐射，减轻病人生理和心理上的压力，推动pet延迟成像的应用。
附图说明
14.图1是无伴随ct辐射的单床pet延迟成像整体流程图；图2是图像重建网络结构；图3是一种图像生成网络结构；图4是另外一种图像生成网络结构；图5是层次信息和掩模信息的示意图。
具体实施方式
15.下面根据实施例和附图详细说明本发明。
16.实施例1如图1为基于无伴随ct辐射的单床pet延迟成像方法的示意图，该方法包括以下步骤：步骤一：采集大量临床上正常扫描和延迟扫描的pet/ct图像数据，具体包括正常扫描和延迟扫描的pet bp（backprojection）和pet ac（attenuation correction）图像，以及正常扫描和延迟扫描的ct图像。
17.步骤二：设计和训练pet图像重建监督学习网络；本实施例中，图像重建网络结构如图2所示，输入为pet bp图像（包括正常扫描和延迟扫描的图像数据），输出为预测的对应的pseudo pet图像，该pseudo pet图像使用pet ac图像作为标签，使得图像重建网络能将pet bp图像转换成接近于pet ac图像的pseudo pet图像。训练的目标函数表示如下；min:f= d(pb , pa)式中，pb表示pet bp图像，pa代表pet ac图像；d(pb , pa)二者之间的图像距离，采用ncc实现。
18.采用步骤一中获取的pet bp和pet ac图像对步骤二中设计的网络进行训练，直至目标函数收敛并稳定，完成对图像重建网络的训练。
19.步骤三：设计和训练ct图像生成网络；本实施例中，ct图像生成网络结构如图3所示，输入为正常扫描的pet图像和ct图像、以及延迟扫描的pet图像，输出为正常扫描和延迟扫描间的变形场以及估计的延迟扫描ct图像。采用unet作为配准网络，其后连接形变网络（stn：spatial transform network,空间形变网络），经配准网络配准后输出变形场，变形场加正常扫描的ct图像经形变网络得到形变后的图像。模型训练时，采用步骤一得到的延迟扫描ct图像作为标签。训练的目标函数包括ct图像相似性度量d1（如ncc度量）、pet图像相似性度量d2（如ncc度量）以及变形场正则化项（一阶导的l2范数）具体表示如下；min:f= d
1 (ct2, stn(ct1)) + d2(pet2 , stn(pet1)) + r(dvf)
式中，ct1和ct2分别表示正常扫描和延迟扫描的ct图像，pet1和pet2分别表示正常扫描和延迟扫描的pet图像（pet ac图像或者pseudo pet图像），stn(*)为形变网络的输出，r(dvf)为变形场的正则化项。
20.采用步骤一中获取的正常扫描的pet ac图像和ct图像，以及延迟扫描的pet ac图像对步骤四中所设计的网络进行训练，直至目标函数收敛并稳定，完成对图像重建网络的训练。
21.步骤四：获取需进行延迟pet重建患者的正常扫描的pet bp图像和ct图像，以及延迟扫描的sinogram（pet 原始信息）并生成pet bp图像。
22.步骤五：将步骤四中正常扫描的pet bp图像和延迟扫描的pet bp图像输入到步骤二中训练好的图像重建网络，得到正常扫描的pseudo pet图像和延迟扫描的pseudo pet图像；步骤六：将步骤五得到的正常扫描pseudo pet图像和延迟扫描的pseudo pet图像，以及步骤四中正常扫描的ct图像输入到步骤三中训练好得到ct图像生成网络，网络能输出正常扫描和延迟扫描间的空间对应关系以及估计的延迟扫描的ct图像。
23.步骤七：采用双线性法将步骤六中获取的ct转换成衰减校正所需的μ
‑
map图像，并结合步骤四中采集的sinogram数据生成定量准确的重建pet图像。
24.本实施例包含两个网络：图像重建网络和图像生成网络，在实际中可单独对这两个网络进行训练。
25.实施例2作为一优选方案，本实施例考虑到临床上经常会出现延迟扫描只有一床或多床pet数据的情形，提出了一种无伴随ct辐射的单床pet延迟成像方法，该方法利用对延迟扫描的pet图像进行补零，同时生成掩模图像和设置层次信息图像进行配准实现用于衰减校正的ct图像生成，图5所示为掩模图像和层次信息图像的示意图，正常扫描图像和延迟扫描图像中的灰色区域为图像沿z轴的坐标区间，正常扫描的扫描区域通常比延迟扫描区域更广，对应的坐标区间也就更大；掩模图像是一个由0和1组成的图像，它将延迟扫描图像z轴坐标区间的元素置为1，其它区域置为0，掩模图像会随着延迟扫描图像的位置和图像尺寸而改变；层次信息图像是将图像灰度置为z轴坐标的图像，它包含正常扫描图像z轴的坐标信息，在本实施例中，输入的正常扫描图像的尺寸是固定的，因此层次信息图像也是固定的，可直接作为ct图像生成网络的固定参数。
26.该方法具体为：一种无伴随ct辐射的单床pet延迟成像方法，该方法包括以下步骤：步骤一：采集数字人技术生成大量正常扫描和延迟扫描的pet/ct图像数据，具体包括正常扫描和延迟扫描的pet bp（backprojection）图像、正常扫描和延迟扫描的pet ac（attenuation correction）图像以及正常扫描和延迟扫描的ct图像，并记录床位信息。
27.步骤二：设计和训练pet图像重建监督学习网络；本实施例中，输入为单床pet bp图像（包括正常扫描和延迟扫描的图像数据），输出为预测的对应的单床pseudo pet图像，该pseudo pet图像使用pet ac图像作为标签，使得图像重建网络能将pet bp图像转换成接近于pet ac图像的pseudo pet图像。训练的目标函数表示如下；
min:f= d(pb , pa)式中，pb表示pet bp图像，pa代表pet ac图像；d(pb , pa)二者之间的图像距离，采用ncc实现。
28.根据床位信息将步骤一中获取的pet bp和pet ac图像数据分成不同的单床数据，并输入到步骤二中设计的网络进行训练，直至目标函数收敛并稳定，完成对图像重建网络的训练。
29.步骤三：设计和训练ct图像生成网络；本实施例中，ct图像生成网络结构如图4所示，输入为正常扫描的pet（pet ac或pseudo pet）图像和ct图像、以及补零的单床延迟扫描的pet（pet ac或pseudo pet）图像及掩模图像，网络自身包含层次信息，输出为正常扫描和延迟扫描间的变形场以及估计的延迟扫描ct图像。
30.采用convnet作为配准网络并生成低分辨率变形场（low resolution deformable vector fields, lr
‑
dvf），接着采用采样器将低分辨率变形场转换为高分辨率变形场（high resolution deformable vector fields, hr
‑
dvf），其后连接形变网络（stn：spatial transform network,空间形变网络）。模型训练时，采用延迟扫描ct图像作为标签。训练的目标函数包括ct图像相似性度量（如ncc度量）、pet图像相似性度量（如ncc度量）以及变形场正则化项（一阶导的l2范数）具体表示如下；min:f= d
1 (ct2, m
ꢀ◦
stn(ct1)) + d2(pet2 , m
ꢀ◦
stn(pet1)) + r(dvf)式中，ct1和ct2分别表示正常扫描和延迟扫描的ct图像，pet1和pet2分别表示正常扫描和延迟扫描的pet图像（pet ac图像或者pseudo pet图像），m为延迟扫描pet图像的掩模图像，stn(*)为形变网络的输出，r(dvf)为变形场的正则化项。
31.采用步骤一中获取的正常扫描pet ac图像和ct图像，以及延迟扫描pet ac图像按照步骤二中对应的做法进行预处理，并输入到所设计的ct图像生成网络进行训练，直至目标函数收敛并稳定，完成对图像重建网络的训练。
32.步骤四：获取需进行延迟pet重建患者的正常扫描的pet bp图像和ct图像，以及延迟扫描的单床sinogram（pet 原始数据）数据并生成pet bp图像；步骤五：根据床位信息将步骤四中正常扫描pet bp图像分成不同的单床数据，将单床数据输入到步骤二中训练好的图像重建网络，将网络输出的数据进行拼合得到全身的正常扫描的pseudo pet图像；将延迟扫描单床pet bp图像进行补零并输入到步骤二中训练好的图像重建网络，得到延迟扫描的单床pseudo pet图像；根据床位信息得到延迟扫描pet图像的掩模图像；步骤六：将步骤五得到的正常扫描pseudo pet图像、延迟扫描的pseudo pet图像和掩模图像，以及步骤四得到的正常扫描ct图像输入到步骤三中训练好得到ct图像生成网络，网络能输出正常扫描和延迟扫描间的空间对应关系以及估计的延迟扫描ct图像。
33.步骤七：采用双线性法将步骤六中获取的ct转换成衰减校正所需的μ
‑
map图像，并结合步骤四中采集的pet sinogram数据生成定量准确的重建pet图像。
34.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或
变动仍处于本发明的保护范围。