(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211291273.7 (22)申请日 2022.10.17 (71)申请人 赛诺联合医疗科技 （北京） 有限公司 地址 100089 北京市海淀区永 泰庄北路1号 天地邻枫1号楼1层101 (72)发明人 李楠　 (74)专利代理 机构 北京易捷胜知识产权代理有 限公司 1 1613 专利代理师 李丽敏 (51)Int.Cl. G06T 11/00(2006.01) G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种衰减校正系数图像的获取方法、 PET图 像重建方法 (57)摘要 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。 权利要求书3页 说明书14页 附图2页 CN 115439572 A 2022.12.06 CN 115439572 A 1.一种衰减校正系数图像的获取 方法， 其特 征在于， 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 。 2.根据权利要求1所述的方法， 其特征在于， 所述深度学习网络为下述的一种： CNN网 络、 Unet网络、 GAN网络； 所述医学影 像图像为PET图像或CT图像。 3.根据权利要求1所述的方法， 其特征在于， 在医学影像图像为PET图像时， 所述S10之 前， 所述方法还 包括： S00、 基于已重建的医学影像图像及匹配的关联图像， 获取用于训练深度 学习网络的训 练样本； 其中， 每一训练样本包括： 已重建的PET图像/模拟仿真的PET图像， 该PET图像对应的近 似线性衰减校正系数、 该P ET图像对应的其他模态图像， 所述其他模态图像用于获取真实的 线性衰减校正系数， 该真实线性衰减校正系数用于验证训练后的深度学习网络是否收敛； S01、 基于训练样本对深度学习网络进行训练， 获得训练的深度学习网络； 训练后的深度学习网络中网络参数θ使得优化训练深度学习网络的损失函数Φ值最 小。 4.根据权利要求3所述的方法， 其特征在于， 基于训练样本对深度学习 网络进行训练， 包括： 将每一训练样本的近似线性衰减校正系数输入深度学习 网络， 获得输出， 将该输出与 该训练样本中其 他模态图像得到的真实线性衰减校正系数 借助于损失函数Φ进行比较； 和/或， 将每一训练样本的已经重建无衰减的PET图像输入深度学习网络， 获得输出， 并将该输 出与该训练样本中其他模态图像得到的真实线性衰减校正系数借助于损失函数Φ进行比 较； 和/或， 将每一训练样本的已经重建无衰减的PET图像和近似线性衰减校正系数求和， 求和后 的图像输入深度学习网络， 获得输出， 并将该输出与该训练样本中其他模态图像得到的真 实线性衰减校正系数 借助于损失函数Φ进行比较； 损失函数Φ为L1范数、 L2范数、 KL散度中的一种或多种， 用于刻度训练中深度学习网络权　利　要　求　书 1/3 页 2 CN 115439572 A 2每一输出与该输出 所属的真实线性衰减校正系数的相似性。 5.根据权利要求3或4所述的方法， 其特征在于， 其他模态图像为CT图像， 且近似线性衰 减校正系数为在未作衰减校正P ET图像上基于指 定区域的已知 线性衰减校正系数生成的线 性衰减校正系数图像。 6.一种PET图像重建方法， 其特 征在于， 包括： P01、 针对待进行PET重建的探测数据， 采用上述权利 要求1所述的方法获取修正的衰减 校正系数 μprior'； P02、 基于该 μprior'， 采用交替迭代 策略对衰减校正系数 μ和PET放射性 活度分布x进行交 替迭代， 获得满足最大化目标函数要求的x的估计值， 作为所述探测数据的重建图像； 其中， 交替迭代 策略包括： 先将 μprior'作为初始值， 最大化目标函数来求解x， 将 求解的x 作为常数， 最 大化目标函数来求解 μ， 利用 μprior'对所述求解的μ进行调节， 将调节后的μ作为 常数， 最大化目标函数来 求解下一x， 交替进行操作。 7.根据权利要求6所述的方法， 其特征在于， 目标函数为对数似然函数L(x, μ,y)， 所述 P02包括： 将 μprior'作为初始值， 最大化已构建的对数似然函数L(x, μ,y)， 得到放射性活度分布x； n表示迭代次数， x的初始值 为设定值； 将迭代求解的x作 为常数， 最大化已构 建的对数似然函数L(x, μ,y)， 得到线性衰减系数 分布 利用 μprior'对所述求解的μ进行调节， 得到调节后的 即 d(n+0.5)为位移场变化矢量； 将调节后的 作为常数， 最大化已构建 的对数似然函数L(x, μ,y)， 得到放射性活度 分布x； 依次交替操作， 获得满足最大化已构建的对数似然函数要求的x的估计值。 8.一种深度学习网络的训练方法， 其特征在于， 训练后的深度学习网络用于加速衰减 校正系数的迭代收敛， 所述训练方法包括： 基于已重建的医学影像图像及匹配的关联图像， 获取用于训练深度学习网络的训练样 本； 其中， 每一训练样本包括： 已重建的PET图像/模拟仿真的PET图像， 该PET图像对应的近 似线性衰减校正系数、 该P ET图像对应的其他模态图像， 所述其他模态图像用于获取真实的 线性衰减校正系数， 该真实线性衰减校正系数用于验证训练后的深度学习网络是否收敛； 基于训练样本对深度学习网络进行训练， 获得训练的深度学习网络； 训练后的深度 学习网络 中的网络参数θ使得优化训练深度 学习网络的损失函数Φ值最 小。 9.根据权利要求8所述的方法， 其特征在于， 基于训练样本对深度学习 网络进行训练， 包括：权　利　要　求　书 2/3 页 3 CN 115439572 A 3