一种PET图像重建方法和系统与流程

一种pet图像重建方法和系统
技术领域
1.本说明书涉及医学成像领域，特别涉及一种pet图像重建方法和系统。


背景技术：

2.pet(positron emission tomography，正电子发射型计算机断层显像)，是医疗领域比较先进的临床检查影像技术。在pet的各种应用中，需要用到多次不同的重建，pet重建可以将pet原始数据转换成三维放射性活度分布图像。一般重建的计算量较大且需要占用较大的内存，导致运算效率较低，图像重建速度较慢，增加了深度学习重建的训练和应用的时间成本和内存成本，使深度学习的最大优势无法在图像重建应用。
3.因此，希望提供一种效率更好的pet图像重建方法。


技术实现要素：

4.本说明书实施例之一提供一种pet图像重建方法。包括：获取原始投影数据；获取所述原始投影数据对应的tof histoimage格式数据；基于所述原始投影数据，获取校正数据；基于所述原始投影数据的所述tof histoimage格式数据和所述校正数据，获取重建图像。
5.在一些实施例中，原始投影数据包括基于多个投影角度获取的投影数据。
6.在一些实施例中，所述基于所述原始投影数据的所述tof histoimage格式数据和所述校正数据，获取重建图像，包括：将所述原始投影数据的所述tof histoimage格式数据和所述校正数据输入第一深度学习网络模型，获取所述重建图像。还包括：基于所述重建图像确定变形场；基于所述变形场和所述重建图像，通过运动校正算法，获取运动校正后的重建图像。
7.在一些实施例中，所述基于所述原始投影数据的所述tof histoimage格式数据和所述校正数据，获取重建图像，包括：基于所述原始投影数据的所述tof histoimage格式数据和所述校正数据，获取校正后的tof histoimage格式数据；基于所述校正后的tof histoimage格式数据，获取所述重建图像。
8.在一些实施例中，所述基于所述校正后的tof histoimage格式数据，获取重建图像，包括：将所述校正后的tof histoimage格式数据输入第二深度学习网络模型，获取所述重建静态图像。还包括：基于所述重建图像确定变形场；基于所述变形场和所述重建图像，通过运动校正算法，获取运动校正后的图像；所述重建图像为重建静态图像。
9.在一些实施例中，所述基于所述校正后的tof histoimage格式数据，获取重建图像，包括：基于药代动力学模型对所述校正后的tof histoimage格式数据的处理，获取对应药代动力学参数的tof histoimage格式数据；基于所述对应药代动力学参数的tof histoimage格式数据，通过迭代算法或第三深度学习网络模型，获取重建图像；所述重建图像为参数图像。
10.本说明书实施例之一提供一种pet图像重建系统，包括：第一获取模块，用于获取
原始投影数据；第二获取模块，用于获取所述原始投影数据对应的tof histoimage格式数据；数据校正模块，用于基于所述原始投影数据，获取校正数据；图像重建模块，用于基于所述原始投影数据的所述tof histoimage格式数据和所述校正数据，获取重建图像。
11.本说明书实施例之一提供一种pet图像重建装置，包括处理器以及存储器；存储器用于存储指令，指令被处理器执行时，导致装置实现pet图像重建方法。
12.本说明书实施例之一提供一种计算机可读存储介质，存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行一种pet图像重建方法。
附图说明
13.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
14.图1是根据本说明书一些实施例所示的pet图像重建系统的应用场景示意图；
15.图2是根据本说明书一些实施例所示的pet图像重建系统模块图；
16.图3是根据本说明书一些实施例所示的pet图像重建方法的方法流程图；
17.图4是根据本说明书一些实施例所示的获取重建静态图像的方法流程图；
18.图5是根据本说明书一些实施例所示的获取重建动态图像的方法流程图；
19.图6是根据本说明书一些实施例所示的pet图像重建的另一方法流程图；
20.图7是根据本说明书一些实施例所示的pet图像重建方法的重建图像生成流程流程图；
21.图8是根据本说明书一些实施例所示的pet图像重建方法的待重建数据生成流程图；
22.图9是根据本说明书一些实施例所示的pet图像重建方法的待重建数据生成流程图。
具体实施方式
23.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
24.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
25.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
26.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。
应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
27.图1是根据本说明书一些实施例所示的pet图像重建系统的应用场景示意图。
28.如图1所示，pet图像重建场景100可以包括pet数据获取设备110、处理设备120、存储设备130、终端140以及网络150。pet图像重建场景100中的组件可以以各种方式中的一种或多种方式连接。
29.pet数据获取设备110可以用于对采集被检测者进行数据获取，可以获取与被检测者的至少一部分有关的生数据。被检测者可以是生物学的或非生物学的。例如，被检测者可以是患者、人造物体、实验者等。作为另一个例子，对象可以包括患者的特定部分、器官和/或组织。例如，对象可包括头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等，或其任何组合。在一些实施例中，采集pet数据可包括例如由设备采集被检测者的pet数据、从数据库中获得pet数据或从其它来源接收pet数据等。
30.处理设备120可以处理从pet数据获取设备110、存储设备130和/或终端140获得的数据和/或信息。处理设备120可以利用所采集的pet数据重建pet图像。例如，处理设备120可以对pet数据获取设备110产生的数据进行处理。在一些实施例中，处理设备120可以是单个服务器或服务器组。
31.存储设备130可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以连接网络150，以与pet图像重建系统的应用场景100中的一个或多个组件(例如，处理设备120、终端140等)之间实现通信。pet图像重建系统的应用场景100中的一个或多个组件可以通过网络150读取存储设备130中的数据或指令。
32.终端140指用户所使用的一个或多个终端设备或软件。在一些实施例中，终端140的可以是检测方的终端，发起检测及重建指令或者接收结果，例如患者、医生等。终端140也可以是被检测方的终端，接收检测结果，例如科研员、实验者、亲属等。终端140可以包括移动设备140-1、平板电脑140-2、笔记本电脑140-3等或其任意组合。在一些实施例中，终端140可以通过网络与场景100中的其他组件交互。在一些实施例中，终端140可以与处理设备120整合为一体，作为pet数据获取设备110的操作台。
33.网络150可以包括能够促进生成pet图像重建系统的应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，pet图像重建系统的应用场景100的一个或多个组件(例如，pet数据获取设备110、处理设备120、存储设备130、终端140等)可以通过网络150与pet图像重建系统的应用场景100的一个或多个组件之间交换信息和/或数据。
34.应当注意，场景100的以上描述仅出于说明的目的而提供，并不旨在限制本技术的范围。对于本领域普通技术人员，可以在本技术的教导下进行多种变化和修改。例如，可以根据具体的实施方案变化或改变场景100的组装和/或功能。仅作为示例，可以将一些其他组件添加到场景100中，例如可以向场景100的一个或以上组件供电的电源模块，以及其他设备或模块。
35.图2是根据本说明书一些实施例所示的pet图像重建系统模块图。
36.在一些实施例中，pet图像重建系统200可以包括第一获取模块210、第二获取模块220、数据校正模块230、图像重建模块240。
37.在一些实施例中，第一获取模块210可以用于获取原始投影数据。
38.在一些实施例中，第二获取模块220可以用于获取上述原始投影数据中的每一张原始投影数据对应的tof histoimage格式数据。
39.在一些实施例中，数据校正模块230可以用于基于原始投影数据，获取校正数据。
40.在一些实施例中，图像重建模块240可以用于基于原始投影数据的tof histoimage格式数据和校正数据获取重建图像。其中，上述重建图像包括重建静态图像和动态图像中的一种或多种。
41.在一些可替换实施例中，pet图像重建系统200可以包括数据获取模块、生成模块、重建模块。
42.在一些实施例中，数据获取模块，用于基于生数据获取校正数据。在一些实施例中，校正数据包括衰减图、散射校正数据、随机校正数据中的一种或多种。
43.在一些实施例中，生成模块，用于基于校正数据生成待重建数据。在一些实施例中，待重建数据包括由生数据和校正数据拼接获得的特征数据。
44.在一些实施例中，重建模块，用于基于待重建数据进行重建，生成重建图像和重建参数图像中的一种或多种。
45.在一些实施例中，重建模块基于待重建数据通过深度学习模型进行重建。在一些实施例中，重建模块进一步用于基于多帧的正数据对第一生数据修正获得第二生数据；基于第二生数据，生成动力学参数的参数源数据。在一些实施例中，以参数源数据作为待重建数据。
46.在一些实例中，通过在不同的设备上分别执行不同的功能，或一个设备同时执行多个功能，以实现本说明书实施例描述的一个或多个场景下pet图像重建的功能。
47.应当理解，图2所示的系统及其模块可以利用各种方式来实现。
48.需要注意的是，以上对于系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。
49.图3是根据本说明书一些实施例所示的pet图像重建方法的方法流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备120执行。
50.步骤310，获取原始数据。第一获取模块210执行步骤310。
51.在一些实施例中，原始数据是指扫描设备采集到的数据，如进行pet扫描后得到的pet原始扫描数据。
52.在一些实施例中，原始数据可以包括基于多个投影角度获取的投影数据或扫描数据。在一些实施例中，原始数据可以包括多帧的原始数据，pet数据获取设备进行pet扫描时可以是一个持续的扫描，即扫描若干个时间段的数据，每个时间段的扫描结果称为一帧。
53.在一些实施例中，原始数据也可以被称为生数据或原始投影数据。原始数据(生数据)可以以多种方式存储，有关原始数据(生数据)的更多内容可参见图6步骤610中的相关描述。
54.步骤320，获取原始投影数据对应的tof histoimage格式数据。第二获取模块220执行步骤320。
55.在一些实施例中，可以将获取到的多个投影角度对应的原始投影数据中的每一张转换为tof histoimage格式数据。关于tof histoimage格式数据的更多内容可参见图6步骤610中的相关描述。
56.步骤330，基于原始投影数据，获取校正数据。数据校正模块230执行步骤330。
57.在一些实施例中，数据校正模块230可以基于多个投影角度对应的原始投影数据获取校正数据。在一些实施例中，校正数据可以包括衰减图、散射校正数据、随机校正数据中的一种或多种。
58.步骤340，基于原始投影数据的所述tof histoimage格式数据和所述校正数据，获取重建图像。图像重建模块240执行步骤340。
59.在一些实施例中，重建图像可以包括重建静态图像和重建动态图像中的一种或多种。其中，静态图像可以包括如suv图等，动态图像可以包括参数图像。
60.图4是根据本说明书一些实施例所示的获取重建静态图像的方法流程图。如图4所示，流程400包括下述步骤。在一些实施例中，流程400可以由处理设备120执行。
61.步骤410，获取重建静态图像。图像重建模块240可以执行步骤410。
62.在一些实施例中，图像重建模块240可以将多个投影角度对应的原始投影数据的tof histoimage格式数据输入第一深度学习模型获取重建静态图像。
63.在一些实施例中，图像重建模块240可以基于多个投影角度对应的原始投影数据tof histoimage格式数据和校正数据，获取校正后的多个投影角度对应的tof histoimage格式数据，基于校正后的多个投影角度对应的tof histoimage格式数据，可以获取重建静态图像。
64.在一些实施例中，关于校正后的多个投影角度对应的tof histoimage格式数据也可以被称为待重建数据，通过校正数据对原始投影数据的tof histoimage格式数据进行校正的更多内容可参见图8及其相关描述。
65.在一些实施例中，图像重建模块240可以将校正后的多个投影角度对应的tof histoimage格式数据输入第二深度学习网络模型，获取重建静态图像。
66.在一些实施例中，第一深度学习模型和第二深度学习模型可以是cnn模型或gan模型，或者其他可以进行图像重建的模型。有关深度学习模型的更多内容可参见图7中的相关描述。
67.步骤420，确定变形场。图像重建模块240可以执行步骤410。
68.在一些实施例中，图像重建模块240可以根据上述多帧重建静态图像确定变形场。
69.当使用pet系统对人体进行扫描时，扫描不是瞬间结束的而是会持续一段时间，在此过程中由于人体呼吸或心跳等运动的影响，使得获得的多帧原始投影数据包含了这部分影响，从而使对应的多帧重建静态图像之间也存在这种影响，即变形场。
70.在一些实施例中，图像重建模块240可以通过机器学习模型确定重建静态图像的变形场。其中，机器学习模型可以是预先训练好的深度学习模型。
71.步骤430，基于变形场和重建静态图像，通过运动校正算法获取运动校正后的静态图像。图像重建模块240可以执行步骤410。
72.在一些实施例中，图像重建模块240可以基于上述变形场对重建静态图像进行处理，获取运动校正后的静态图像。具体地，图像重建模块得到重建静态图像各帧间的变形场
后，根据上述各帧间的变形场，去除重建静态图像的变形场，得到经运动校正后的静态图像。经运动校正后的静态图像为无运动影响的图像。
73.在一些实施例中，可以对重建静态图像进行运动探测和运动校正来获取运动后的矫正图像。运动探测方法是通过外部设备或者数据驱动(data-driven)，获取运动变形场。运动校正方法是基于图像进行运动变形，或者将变形场加入图像重建过程中，实现运动校正。
74.图5是根据本说明书一些实施例所示的获取重建动态图像的方法流程图。如图5所示，流程500包括下述步骤。在一些实施例中，流程500可以由处理设备120执行。
75.步骤510，基于药代动力学模型对校正后的多个投影角度对应的tof histoimage格式数据进行处理，获取对应药代动力学参数的tof histoimage格式数据。图像重建模块240可以执行步骤510。
76.在一些实施例中，校正后的多个投影角度对应的tof histoimage格式数据可以包括多个动态帧的校正后的tof histoimage格式数据。在一些实施例中，基于校正数据对多个投影角度对应的tof histoimage格式数据进行的过程也可以被称为基于校正数据对第一生数据修正获得第二生数据。有关修正的更多内容可参见图9步骤910及其相关描述。
77.在一些实施例中，图像重建模块240基于校正后的多个投影角度对应的tof histoimage格式数据，通过药代动力学模型获取对应的药代动力学参数的tof histoimage格式数据。在一些实施例中，药代动力学参数的tof histoimage格式数据也可以被称为动力学参数的tof histoimage数据。关于药代动力学模型的更多内容可参见图9步骤920及其相关描述。
78.在一些实施例中，图像重建模块240还可以对多个投影角度对应的原始投影图像进行动态分帧，获取至少一帧的静态图像及其对应的散射估计。基于上述散射估计对至少一帧的静态图像做约束获取动态图像，使用获取到的动态图像获取参数图像。
79.步骤520，基于药代动力学参数的tof histoimage格式数据，通过迭代算法或第三深度学习网络模型，重建动态图像。
80.在一些实施例中，图像重建模块240可以通过传统迭代算法，基于动力学参数的tof histoimage数据进行图像重建，获得重建参数图像。
81.在一些实施例中，图像重建模块240可以通过第三深度学习网络模型，基于动力学参数的tof histoimage数据进行图像重建，获得重建参数图像。
82.在一些实施例中，图像重建模块240可以通过第三深度学习模型，基于上述参数图像进行图像重建，获得重建参数图像。
83.在一些实施例中，第三深度学习网络模型可以是cnn模型。关于基于动力学参数的tof histoimage数据获取重建动态图像的更多内容可参见图9步骤930及其相关描述。
84.图6是根据本说明书一些实施例所示的pet图像重建方法流程图。如图6所示，流程600包括下述步骤。在一些实施例中，流程600可以由处理设备120执行。
85.步骤610，基于生数据获取校正数据。获取模块执行步骤310。
86.在一些实施例中，生数据是指扫描设备采集到的原始数据，如进行pet扫描后得到的pet原始扫描数据。在一些实施例中，生数据可以是多帧的原始数据，pet数据获取设备进行pet扫描时可以是一个持续的扫描，即扫描若干个时间点的数据，每一个时间点的扫描结
果称为一帧。
87.在一些实施例中，对于获取到的生数据可以有多种存储方式，例如以列表形式或弦图模式存储等。不同的存储模式中，生数据的数据格式不相同，例如，若采用弦图模式存储生数据，则生数据的每个数据点坐标为其中，表示弦图坐标，θ代表接收角度(accept angle)，τ则是tof(time of flight)坐标。
88.在一些实施例中，可以将获取到的生数据存储为tof(time of flight)histoimage形式，每个数据点坐标为其中，x、y、z是数据点在三维坐标体系中的坐标，θ则分别对应投影角度及接收角度，θ的取值具体与pet数据存储模式线与球坐标系的夹角相关。
89.生数据在获取过程中，反馈信息可能被各种外界因素影响(如被随机干扰、散射影响等)，因此对于获取到的生数据还需要进行校正。校正数据是指可以对原始数据进行修正的数据，可以降低或消除生数据获取中外界因素影响对其带来误差。
90.在一些实施例中，校正数据可以包括衰减图、散射校正数据、随机校正数据中的一种或多种。在一些实施例中，可以直接将获取到的校正数据应用于被存储为tof histoimage形式的生数据，以对生数据进行修正，例如，可以通过衰减图、散射校正数据、随机校正数据分别对生数据进行修正，也可以选取衰减图、散射校正数据、随机校正数据中任意一种或多种对生数据进行修正。关于基于校正数据直接对生数据进行修正的说明参见图8。在一些实施例中，可以将校正数据与生数据共同作为模型的输入具体参见图7。
91.衰减图可以作为校正数据中的一种。由于人体的阻挡，pet数据获取设备获取到的数据通常会经过衰减后才被采集到，导致pet数据获取设备获取到的数据存在一定的误差。通过衰减图对生数据进行修正可以修正这部分衰减，以获得更接近人体本身特征的数据。
92.在一些实施例中，可以将衰减图存储为tof histoimage格式，并使用存储为tof histoimage格式的衰减图对存储为tof histoimage形式的生数据进行修正。
93.散射校正数据可以作为校正数据中的一种。pet数据获取设备采集数据时，受人体内散射的影响，会使获取到的线型图像的方向发生改变，使收集到的数据产生误差，通过散射校正数据对生数据进行修正可以修正这部分误差，获得更准确的生数据。
94.在一些实施例中，散射校正数据可以采用传统的散射估计方法获得。例如，可以基于采集到的生数据通过蒙卡仿真模拟的方法，估计出过程中的散射量以获取散射校正数据。
95.在一些实施例中，为了便于基于校正数据对存储为tof histoimage形式的生数据进行修正，可以以tof histoimage格式存储散射校正数据。
96.随机校正数据可以作为校正数据中的一种。pet数据的采集通常根据时间窗来进行，在采集过程中存在很多随机干扰，采用随机校正数据对生数据进行修正可以排除掉数据采集过程中的随机干扰，提高数据的准确度。
97.在一些实施例中，可以使用随机校正方法(例如，采用随机窗的方式)获取随机校正数据。在一些实施例中，获取到的随机校正数据可以以tof histoimage格式存储，以便对存储为tof histoimage形式的生数据进行修正。
98.步骤620，基于校正数据生成待重建数据。在一些实施例中，可以采用生成模块实现步骤620。
99.待重建数据是指可以用于生成目标图像的数据，目标图像可以是pet重建图像和重建参数图像中的一种或多种。待重建数据具体与要重建的目标图像相关。例如，若目标图像为pet重建图像，则待重建数据可以是与生成重建图像相关的数据，若目标图像为重建参数图像，则待重建数据可以为生成参数图像相关的数据。
100.在一些实施例中，待重建数据可以是基于校正数据得到的特征向量或特征矩阵等。关于由特征数据作为待重建数据的说明参见图7。
101.在一些实施例中，待重建数据可以是基于生数据获取到的动力学相关参数。关于将动力学相关参数作为待重建数据的说明参见图9。
102.待重建数据可以基于生数据及校正数据生成。在一些实施例中，对于不同的待重建数据，其具体的生成方式不同。
103.在一些实施例中，若待重建数据是特征向量或特征矩阵构成的特征数据，则待重建数据可以基于生数据及校正数据进行特征处理得到。
104.在一些实施例中，若待重建数据为动力学相关参数，则可以基于相应的动力学模型对原始生数据或基于校正数据校正后的生数据的处理得到。关于生成待重建数据的更多说明参见图7、图8、图9的内容。
105.步骤630，基于待重建数据进行重建，生成pet重建图像和重建参数图像中的一种或多种。在一些实施例中，可以采用重建模块实现步骤630。
106.pet重建图像是指经pet重建而得到的图像，在一些实施例中，可以基于待重建数据采用相应的重建方法进行图像重建，最终恢复出重建图像，例如，可以通过对获取到的存储格式为tof histoimage的生数据进行分析处理得到pet重建图像。在一些实施例中，pet重建图像可以是单帧图像也可以是不同时间帧的图像构成的动态图像。
107.重建参数图像是指带有参数值可以反映分析结果的图像。在一些实施例中，重建参数图像可以是二维或三维图像，其每个像素或体素的值，反映被扫瞄物体在对应位置的参数值。在一些实施例中，重建参数图像可以基于pet重建图像获取，例如，可以基于对多个时间帧的重建图像进行参数分析生成参数图像。
108.图像重建是指基于待重建数据对目标图像进行重建的过程。图像重建可以基于多种重建方法实现，例如迭代重建法、间接重建法、直接重建法以及模型处理等方法。通过图像重建过程可以实现基于数据复原检测样本的图像的目的，进而便于医生等检测人员通过观测图像对被检测者或被检测物体进行检测。关于如何基于待重建数据对目标图像进行重建的一些实施例参见图7、图8、图9的内容。
109.通过获取校正数据并基于校正数据对tof histoimage形式的生数据进行直接校正得到待重建数据，或将校正数据及生数据输入模型内进行相应的处理得到待重建数据，再基于待重建数据进行图像重建得到目标图像，在保证计算速度的前提下，可以提升图像重建的准确度。
110.应当注意的是，上述有关流程600的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程600进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
111.图7是根据本说明书一些实施例所示的图像重建方法的重建图像生成流程图。如图7所示，流程700包括下述步骤。在一些实施例中，流程700可以由处理设备120执行。
112.在一些实施例中，图像的重建包括基于待重建数据通过深度学习模型进行重建。
113.深度学习模型是指用于基于对待重建数据的处理实现图像重建的处理模块。
114.在一些实施例中，深度学习模型可以是cnn模型或gan模型，或者其他可以进行图像重建的模型。
115.在一些实施例中，深度学习模型的输入可以是待重建数据，深度学习模型的输出可以是pet重建图像。
116.在一些实施例中，深度学习模型可以通过多个有标签的第一训练样本得到。例如，可以将多个带有标签的第一训练样本输入初始深度学习模型，通过标签和初始深度学习模型的结果构建损失函数，基于损失函数的迭代更新初始深度学习模型的参数。当初始深度学习模型的损失函数满足预设条件时训练完成，得到训练好的深度学习模型。其中，预设条件可以是损失函数收敛、迭代次数达到阈值等。
117.在一些实施例中，第一训练样本至少可以包括生数据、校正数据。标签可以包括pet重建图像。其中，标签可以基于历史数据获得。
118.在一些实施例中，待重建数据可以包括生数据、校正数据，例如，可以将生数据与校正数据以一定形式进行组合后输入深度学习模型，或将生数据、校正数据分别输入深度学习模型。在一些实施例中，生数据与校正数据可以以多种形式组合，例如随机组合等。
119.在一些实施例中，待重建数据包括由生数据和校正数据拼接获得的特征数据。在一些实施例中，处理器可以对生数据和校正数据分别进行拆分处理、拼接处理，得到待重建数据。
120.在一些实施例中，生数据和校正数据的拼接是指将生数据和校正数据组合为一体，例如，可以将生数据和校正数据存储为相同的数据格式，然后以数据的其中一个或多个维度为基准，进行其他维度上的拼接，例如，若将生数据和校正数据均存储为(x、y、z)的数据格式，若拼接时以x、y轴为基准，则可以预先将生数据的坐标处理为(x、y、z1)的表示形式，将校正数据的坐标处理为(x、y、z2)的表示形式，则拼接后的组合数据的坐标可以表示为(x、y、z1 z2)。关于待重建数据的其他获取内容参见步骤710、步骤720。
121.在一些实施例中，pet重建图像的生成流程700包括如下步骤。在一些实施例中，流程700可以由处理设备120执行。
122.步骤710，按照预设分割规则分别将生数据和校正数据进行分割，得到分割后的生数据和校正数据。
123.在一些实施例中，可以对生数据进行进一步的优化处理，如降维处理等，以便在后续步骤中进行相应的操作处理，如分割及拼接等操作处理。在一些实施例中，对于生数据的降维处理是指对生数据进行下采样降维，以便将其相近的组合值合并为一个值。在一些实施例中，可以对被存储为tof histoimage形式的生数据进行降维处理，降维后，数据点的坐标由变为(x,y,z,n)，n由降维得到。
124.在一些实施例中，可以对校正数据进行优化处理，例如，降维处理，以便统一生数据与校正数据的格式，使得校正数据可以直接应用于生数据或与生数据进行结合。在一些实施例中，可以采用与生数据降维相同的方式对tof histoimage形式的校正数据进行降维处理，降维后，校正数据的数据点的坐标由变为(x,y,z,m)，m由降维得
到。
125.在一些实施例中，预设规则可以是与数据尺寸或数量相关的规则。例如，预设规则可以是将数据分割为若干固定尺寸的数据。又例如，预设规则可以是将数据分割为固定数量的若干数据。
126.在一些实施例中，可以基于预设分割规则对生数据进行分割。其中，预设规则可以是将生数据拆分成更小尺寸的数据。例如，生数据(x*y*z*n)切分成若干小尺寸的4d数据(x1*y1*z1*n)，其中，x1《＝x，y1《＝y，z1《＝z，x1、y1、z1的选取标准为x1》tof kernel宽度、y1》tof kernel宽度，且x1、y1、z1的尺寸不超过内存限制。
127.在一些实施例中，可以基于预设规则对校正数据进行分割。其中预设规则可以是将校正数据拆分成更小尺寸的数据。例如，将通过衰减图、散射校正或随机校正获得的校正数据(x*y*z*m)拆分成若干小尺寸的数据(x1*y1*z1*m)，x1《＝x，y1《＝y，z1《＝z，x1、y1、z1的选取标准为x1》tof kernel宽度、y1》tof kernel宽度，且x1、y1、z1的尺寸不超过内存限制。其中，m可以包含三种校正的形式，与通过衰减图、散射校正和随机校正三种校正方式对应，例如，m的取值可以为m1、m2、m3，其中，m＝m1时，表示当前校正数据为衰减图，m＝m2时，表示当前校正数据为散射校正数据，m＝m3时，表示当前校正数据为随机校正数据。
128.步骤720，将分割后的生数据和分割后的校正数据分别进行拼接得到特征数据，该特征数据即可作为待重建数据。
129.在一些实施例中，可以将分割后的生数据(x1*y1*z1*n)和分割后的校正数据(x1*y1*z1*m)进行拼接，拼接后的数据x1*y1*z1*(m n)作为特征数据输入深度学习模型。
130.步骤730，基于特征数据通过深度学习模型对待重建数据进行重建，得到pet重建图像。
131.在一些实施例中，深度学习模型可以基于待重建数据获得pet重建图像。
132.在一些实施例中，模型的输入可以是拼接后的特征数据，模型的输出为pet重建图像。在一些实施例中，拼接后的数据x1*y1*z1*(m n)中(m n)的维度可以作为深度学习模型输入的通道数。关于基于深度学习模型的更多说明参见其他实施例内容。
133.在本说明书一些实施例中，对生数据、校正数据的分割与拼接获得特征数据，将特征数据作为待重建数据通过深度学习模型进行重建，得到目标图像。一方面，可以通过直接或间接的方式实现基于物理模型对pet生数据的校正，另一方面，通过直接使用生数据结合数据的分割与拼接，实现了快速、低内存占用的图像重建。
134.应当注意的是，上述有关流程700的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程700进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
135.图8是根据本说明书一些实施例所示的pet图像重建方法的待重建数据生成流程800的示意图。在一些实施例中，流程800可以由处理设备120执行。
136.在一些实施例中，可以将获取到的校正数据直接应用于生数据进行生数据的修正，再基于修正后的生数据得到待重建数据，具体如下：
137.步骤810，对获取到的生数据进行格式处理，得到处理后的生数据。
138.格式处理是指对将获取到的生数据的存储为指定的存储格式，例如，将获取到的生数据存储为指定的tof histoimage形式，则每个数据点坐标格式为关于
tof histoimage形式的进一步说明参见图4步骤410的相关内容。
139.处理后的生数据是指进行前述格式处理后得到的生数据。在一些实施例中，处理后的生数据的数据点的坐标格式为
140.步骤820，基于校正数据对得到处理后的生数据进行校正处理。
141.在完成对生数据的格式处理后即可基于校正数据对其进行校正处理。在一些实施例中，为了更加便于实现直接通过校正数据对生数据的校正，可以将校正数据与生数据进行相同的格式处理，使得二者的格式相同，进而便于实现相应的校正处理的操作。例如，可以将校正数据均存储为tof histimage形式，则各校正数据的坐标格式也为
142.在一些实施例中，校正数据包括被存储为tof histimage形式的衰减图。
143.在一些实施例中，衰减图直接对生数据进行校正的方式包括：将坐标格式为的衰减图数据直接用乘法的方式应用于被存储为tof histimage形式的生数据上，进而实现校正，以降低由于检测者在进行检测时，检测反馈信号在其体内的衰减导致的误差。
144.在一些实施例中，校正数据包括被存储为tof histimage形式的散射校正数据。
145.在一些实施例中，散射校正数据直接对生数据进行校正的方式包括：在被存储为tof histimage形式的生数据中去掉与被存储为tof histimage形式的散射校正数据相同的数据，进而实现校正。
146.在一些实施例中，校正数据包括被存储为tof histimage形式的随机校正数据。
147.在一些实施例中，随机校正数据直接对生数据进行校正的方式包括：在被存储为tof histimage形式的生数据中去掉与被存储为tof histimage形式的随机校正数据相同的数据，进而实现校正。
148.步骤830，基于校正处理得到待重建数据。
149.由校正数据对处理后的生数据进行校正后得到的被校正的生数据即可作为待重建数据。
150.可以基于待重建数据进行重建以得到pet重建图像。在一些实施例中，可以使用多种方式实现图像的重建，例如，可以基于神经网络学习模型(如cnn或者gan)对待重建数据进行处理得到pet重建图像。关于基于待重建数据得到pet重建图像的方式的进一步说明参见图7的步骤730。
151.通过将生数据及校正数据均转换为tof histoimage形式的存储格式，可以实现直接基于校正数据对生数据的校正，并基于校正后的生数据进行图像的重建，实现了原始生数据与pet重建图像之间快速有效的转换。
152.图9是根据本说明书一些实施例所示的pet图像重建方法的待重建数据生成流程900的示意图。
153.步骤910，基于多帧的校正数据对第一生数据修正获得第二生数据。
154.其中，多帧校正数据可以包括多个动态帧的校正数据。pet数据获取设备采集数据可以是一个持续的过程，在这一过程中每一时间点都可以作为一帧生成一幅原始图像，一段时间则包括多个时间点，具有多个动态帧，对每一帧的原始图像进行校正则可以获得多个动态帧的校正数据。
155.第一生数据指存储为tof histoimage形式的原始数据，第二生数据指基于多帧的校正数据进行修正过的第一生数据。
156.在一些实施例中，可以通过多帧的校正数据对多帧的第一生数据进行修正得到相应的第二生数据。例如，可以通过衰减图校正数据、散射校正数据、随机校正数据中的至少一种对多帧的第一生数据进修正。
157.关于通过多帧的校正数据对第一生数据进行修正得到第二生数据更多详细内容可参见图8及其相关描述。
158.步骤920，基于第二生数据，生成动力学参数；动力学参数的存储格式为tof histoimage。
159.动力学参数通常运用在动态pet数据中，是针对空间中每个坐标点的与生理相关的数据，例如，药物的代谢速率、结合效率等。
160.在一些实施例中，动力学参数可以通过药代动力学模型获取，药代动力学模型可以从与时间相关的数据中提取生理相关的参数信息，即提取出动力学参数。
161.在一些实施例中，药代动力学模型的输入可以包括修正后的多帧图像的tof histoimage数据。药代动力学模型的输出为动力学参数的tof histoimage数据。
162.在一些实施例中，药代动力学模型可以包括线性模型和非线性模型。具体的，线性模型可以是包括patlak模型、logan模型中的至少一种。非线性模型可以包括房室模型(例如，一房室模型、二房室模型、三房室模型或其他多房室模型)。在一些实施例中，药代动力学模型还可以是其他模型。
163.步骤930，基于动力学参数的分析生成参数图像，即进行参数图像的重建。关于参数图像的更多描述可参见图6步骤630中的相关内容。
164.在一些实施例中，可以通过深度学习模型实现参数图像的重建。
165.在一些实施例中，还可以基于传统迭代算法，基于动力学参数的tof histoimage数据进行参数图像重建，获得参数图像。
166.在一些实施例中，深度学习模型可以基于动力学参数的tof histoimage数据获得重建参数图像。
167.在一些实施例中，深度学习模型可以是cnn模型。
168.在一些实施例中，深度学习模型的输入可以是动力学参数的tof histoimage数据，深度学习模型的输出可以是重建参数图像。
169.在一些实施例中，深度学习模型可以通过多个有标签的训练样本得到。
170.在一些实施例中，训练样本至少可以包括动力学参数的tof histoimage数据。标签可以包括重建参数图像。其中，标签可以通过历史数据获得。
171.在一些实施例中，还可以通过药代动力学模型获取重建参数图像。模型的输入可以包括多帧图像的动态重建图像、输入函数。输出为参数图像。
172.其中，动态重建图像包括对每个体素多个时间点(每帧对应一个时间点)的活性数据。输入函数(input function)是人体血浆活动随时间变化的曲线。在一些实施例中，输入函数可以通过采血的方式获取，例如，扫描过程中，在不同时间点采集人的血样，基于血样的数据获得输入函数。在一些实施例中，输入函数还可以从动态图像中获取，例如，先获取动态图像，再选取血池voi，再获取voi内部的时间活度曲线(time activity curve,tac)进
行相关校正后作为输入函数。在一些实施例中输入函数还可以通过使用群体的输入函数补全。
173.在本说明书一些实施例中，通过在生数据的基础上进行参数分析，通过药代动力学模型获得参数源数据，再通过模型得到参数图像，具有更高的计算效率，能够更快速的得到参数图像。
174.在一些实施例中，pet图像重建装置包括处理器以及存储器，处理器用于执行pet图像处理方法，存储器用于存储指令，指令被处理器执行时，导致装置实现pet图像重建对应的操作。
175.在一些实施例中，计算机可读存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行pet图像重建方法。
176.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
177.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
178.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
179.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
180.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
181.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容
不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
182.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。