[发明专利]一种由PET图像生成CT图像的深度学习框架和方法

说明书

本发明公开了一种由PET图像生成CT图像的深度学习框架和方法。该方法包括：利用未经衰减校正的第一PET图像和对应的经衰减校正的第二PET图像，通过对衰减校正机制的逆向计算，获得衰减校正系数图；利用所获的衰减校正系数图，通过图对图生成对抗网络的拟合学习，获得所述衰减校正系数图和CT模态图像之间的映射关系，从而实现了PET图像到CT模态图像的生成过程。在所述图对图对抗网络中，其生成器以所述衰减校正系数图作为输入，以CT模态图像作为输出，并以所述生成器输入图像作为判别器的判别条件以区分生成的CT模态图像的真伪。利用本发明能同时实现PET衰减校正和CT图像重建，借助衰减校正系数图能有效地降低CT图像地重建难度，同时提高CT图像质量。

技术领域

本发明涉及医学图像重建技术领域，更具体地，涉及一种由PET图像生成CT图像的深度学习框架和方法。

背景技术

计算机断层扫描(Computed Tomography，CT)，能够提供丰富的解剖结构信息，显著缓解了正电子发射扫描(Positron Emission Tomography，PET)图像分辨率低的问题。PET成像是一种功能性成像，能够直观地反映出人体病变组织的相关信息，PET图像与CT图像相结合可以实现对病灶区域的精确定位和检测。此外，CT图像还能提供空间约束信息，帮助原始PET图像的衰减校正和伪影去除。因此，PET/CT成像系统是当前世界范围内使用最为广泛的PET成像系统。然而，CT扫描的介入会导致额外的X射线照射，而人体所受辐射剂量的累加，将增加各种疾病发生的可能性，进而影响人体生理机能，破坏人体组织器官，甚至危害到患者的生命安全。

在现有技术中，存在以下技术方案：

Dong等人于2019年在Physics in MedicineBiology期刊上发表文章“SyntheticCT generation from non-attenuation corrected PET images for whole-body PETimaging”，使用循环一致性生成对抗网络(CycleGAN)，成功地将未经衰减校正的第一PET图像转换为CT模态。所生成的伪CT图像，不仅可以提供解剖结构信息以辅助对病灶区域的定位和诊断，还可以对第一PET图像进行衰减校正。

现有技术的主要缺点是：由于PET和CT扫描时参数设定不同，导致了两者间存在显著的匹配误差；PET和CT分属两个截然不同的图像域，从分辨率低且缺少空间结构信息的PET图像直接生成CT图像十分困难，并且所生成的图像效果还有待改进。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种由PET图像生成CT图像的深度学习框架和方法，通过端对端的深度学习，实现对第一PET图像的衰减校正，同时生成了伪CT图像，有利于辅助病灶的精确定位和检测。

根据本发明的第一方面，提供一种由PET图像生成CT图像的深度学习方法。该方法包括：

利用未经衰减校正的第一PET图像和对应的经衰减校正的第二PET图像，通过对衰减校正机制的逆向计算，获得衰减校正系数图；

构建包含生成器和判别器的图对图生成对抗网络，其中生成器以所述衰减校正系数图作为输入，以CT模态图像作为输出，并以所述生成器输入图像作为判别器的判别条件以区分生成的CT模态图像的真伪；

以设定的损失函数为目标，优化训练所述图对图生成对抗网络，获得未经衰减校正的第一PET图像和CT模态图像之间的映射关系。

根据本发明的第二方面，提供一种由PET图像生成CT图像的深度学习框架。该框架包括衰减校正系数图计算模块和图对图生成对抗网络，其中：

所述衰减校正系数图计算模块用于利用未经衰减校正的第一PET图像和对应的经衰减校正的第二PET图像通过反向计算，获得衰减校正系数图；