一种图像重建方法和系统与流程

1.本说明书涉及医学成像领域，特别涉及一种正电子发射断层扫描(pet)图像重建的方法和系统。


背景技术：

2.近年来，pet成像技术被广泛用于临床检查和医学诊断。现有的长轴稀疏pet探测器具有长轴pet探测器的特征，可以一次扫描覆盖患者全身，提高了成像效率，但生成的图像质量较差。通过常规的图像优化方法无法达到预期。因此，需要一种可以获得高质量pet图像的系统和方法。


技术实现要素：

3.本说明书一个方面提供一种图像重建方法。所述方法包括：获取初始正电子发射断层扫描(pet)图像，所述初始pet图像是由长轴稀疏探测器采集的pet数据生成；获取图像优化模型；以及基于所述初始pet图像和图像优化模型，生成目标图像，所述目标图像具有比所述初始pet图像更高的质量。
4.在一些实施例中，所述基于所述初始pet图像和图像优化模型，生成目标图像，包括：对所述初始pet图像进行标准化处理；将标准化处理后的初始pet图像输入至所述图像优化模型，得到模型输出图像；以及对模型输出图像进行逆标准化处理，得到所述目标图像。
5.在一些实施例中，所述对所述初始pet图像进行标准化处理，包括：基于所述初始pet图像的均值和标准差，对所述初始pet图像进行标准化处理。
6.在一些实施例中，所述对模型输出图像进行逆标准化处理，包括：基于所述初始pet图像的均值和标准差，对所述模型输出图像进行逆标准化处理。
7.在一些实施例中，所述图像优化模型通过以下方式生成：获取长轴全探测器pet样本数据；基于所述长轴全探测器pet样本数据，生成长轴稀疏探测器pet样本图像；基于所述长轴全探测器pet样本数据，重建得到长轴全探测器pet样本图像；以所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像为训练样本，训练初始图像优化模型，得到所述图像优化模型。
8.在一些实施例中，所述基于所述初始pet图像和图像优化模型，生成目标图像，包括：获取与所述初始pet图像匹配的计算机断层扫描(ct)图像；基于所述初始pet图像、ct图像和所述图像优化模型，生成所述目标图像。
9.在一些实施例中，所述基于所述初始pet图像、ct图像和所述图像优化模型，生成目标图像，包括：对所述初始pet图像和ct图像进行标准化处理；将标准化处理后的初始pet图像和ct图像输入至所述图像优化模型，得到模型输出图像；以及对所述模型输出图像进行逆标准化处理，得到所述目标图像。
10.在一些实施例中，所述图像优化模型通过以下方式生成：获取长轴全探测器pet样
本数据；基于所述长轴全探测器pet样本数据，生成长轴稀疏探测器pet样本图像；基于所述长轴全探测器pet样本数据，重建得到长轴全探测器pet样本图像；获取与长轴全探测器pet样本图像匹配的ct样本图像；以所述长轴稀疏探测器pet样本图像、ct样本图像以及长轴全探测器pet样本图像为训练样本，训练初始图像优化模型，得到所述图像优化模型。
11.本说明书另一个方面提供一种图像重建系统。所述系统包括处理器，其特征在于，所述处理器用于执行如前述任一项所述的图像重建方法。
12.本说明书又一个方面提供一种图像重建方法。所述图像重建方法包括获取扫描对象在设定扫描范围内的正电子发射断层扫描(pet)数据，所述设定扫描范围对应设置有第一密度的探测器；获取基于神经网络的优化模型；基于所述pet数据和所述基于神经网络的优化模型，获取目标pet数据，所述目标pet数据与所述设定扫描范围设置第二密度的探测器相对应，所述第一密度小于所述第二密度；以及根据所述目标pet数据重建所述扫描对象的目标图像。
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图像重建方法的示例性流程图。
15.图2是根据本说明书一些实施例所示的生成图像优化模型的示例性流程图。
16.图3是根据本说明书另一些实施例所示的图像重建方法的示例性流程图。
17.图4是根据本说明书另一些实施例所示的生成图像优化模型的示例性流程图。
18.图5是根据本说明书一些实施例所示的成像系统的示例性模块图。
19.图6是根据本说明书一些实施例所示的成像设备的示例性结构图。
20.图7是根据本说明书一些实施例所示的图像优化模型。
具体实施方式
21.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。
22.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。
23.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。
24.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，
相关描述是为帮助更好地理解医学成像方法和/或系统。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。
25.本技术一些实施例提供了一种图像重建方法。所述图像重建方法包括获取初始pet图像，所述初始pet图像是由长轴稀疏探测器采集的pet数据生成；获取图像优化模型；以及基于所述初始pet图像和图像优化模型，生成目标图像，所述目标图像具有比初始pet图像更高的质量，接近或达到长轴全探测器pet图像的质量水平。所述图像优化模型为机器学习模型。通过图像优化模型，对长轴稀疏探测器获取的pet数据生成的初始pet图像进行优化，使得目标图像的质量高(信噪比和分辨率更高)，接近或达到长轴全探测器pet图像的质量水平。另外，长轴稀疏探测器由于探测器数量较少，因此成本较低，同时，由于采集的pet数据数量较少，重建速度快。进一步地，长轴稀疏探测器具有长轴探测器的属性，可以通过一次扫描覆盖病人全身，一次扫描即可重建病人全身的图像，无需多次扫描拼接，提高了成像的速度。
26.图1是根据本说明书一些实施例所示的图像重建方法的示例性流程图。
27.执行图像重建方法100的主体可以包括处理设备。在一些实施例中，处理设备可以是独立的电子设备，可以集成在医学扫描设备(例如，如下所述的长轴pet扫描设备)中，也可以设定在云端服务器(online server)中。例如，该处理设备可以为所述医学扫描设备的中控台、个人计算机、笔记本电脑、智能手机、平板电脑以及便携式可穿戴设备等。在一些实施例中，图像重建方法100可以由成像系统500执行。
28.在一些实施例中，图像重建方法100可以包括：
29.步骤110，获取初始pet图像。在一些实施例中，步骤110可以由获取模块510执行。
30.所述初始pet图像是由长轴pet扫描设备通过扫描目标对象，并采集pet数据而生成。长轴pet扫描设备是指探测器轴向视野超过一定阈值的pet扫描设备。pet扫描设备是一种进行功能代谢显像的分子影像学设备，pet扫描采用正电子核素作为示踪剂，通过感兴趣区域部位对示踪剂的摄取了解感兴趣区域功能代谢状态，基于pet数据生成的pet图像(例如，所述初始pet图像)可以提供感兴趣区域详尽的功能与代谢等分子信息。所述阈值可以是，例如，1米(m)，1.2m，1.4m，1.6m，1.8m，2m等。所述阈值可以由用户确定或系统设定。例如，长轴pet扫描设备轴向视野约为2m，一次扫描可覆盖常规人体全身所有器官。
31.所述长轴pet扫描设备的探测器包括多个探测器单元。所述多个探测器单元沿着长轴pet扫描设备的轴向进行排布。本实施例中，所述长轴pet扫描设备的探测器为长轴稀疏探测器。长轴稀疏探测器的探测器晶体排布相对于相同轴向视野的长轴全探测器的探测器晶体排布较为稀疏，相邻探测器之间存在间距。长轴稀疏探测器的探测器晶体的数量相对于相同轴向视野的长轴全探测器的探测器晶体的数量较少。长轴全探测器是指多个探测器晶体相邻设置并布满探测器的内壁。而长轴稀疏探测器可以理解为，基于长轴全探测器，以一定规律或不规则地移除各个探测器单元上的一些晶体后得到的探测器，其同时保持了长轴向的优势，但晶体分布相对更为稀疏。例如，长轴稀疏探测器的探测器晶体数量可以是相同轴向视野的长轴全探测器的探测器晶体数量的4/5，3/4，2/3，1/2，1/3，1/4等。在一些实施例中，长轴稀疏探测器的探测器单元呈均匀排布。相邻的探测器单元之间的距离相同，但是每个探测器单元内的晶体分布较为稀疏，每个探测器单元内的晶体分布规律可以相同
也可以不同。
32.在一些实施例中，所述目标对象可以包括生物对象和/或非生物对象。例如，目标对象可以包括人体或其特定部分，如胸腔、腹部、四肢等，或其组合。又例如，目标对象可以是有生命或无生命的有机和/或无机物质的人造成分，如模体。
33.使用包括长轴稀疏探测器的长轴pet扫描设备(简称为长轴稀疏探测器)对目标对象进行扫描，生成pet数据。在一些实施例中，由于所采用的长轴稀疏探测器的轴向视野较大，对目标对象进行一次扫描可覆盖所述目标对象的整体。例如，长轴稀疏探测器的轴向视野约为2m，目标对象，例如，病人的身高为1.8m，一次扫描可覆盖该病人全身所有的器官。
34.通过对所述pet数据进行重建即可生成所述初始pet图像。典型的pet重建方法可以包括滤波反投影(fbp)算法、最大似然估计(mlem)、最小二乘(ls)算法、基于bayesian的最大后验(map)、采用有序子集的em(osem)算法、广义的空间更新期望最大化(sage)算法、基于块迭代的em(bi-em)算法等。
35.在一些实施例中，获取模块510可以从重建所述pet数据的处理设备中获取初始pet图像。在一些实施例中，重建生成的初始pet图像存储在存储设备(例如，图6中的存储器610)中。获取模块510可以从所述存储设备中获取所述初始pet图像。
36.步骤120，获取图像优化模型。在一些实施例中，步骤120可以由获取模块510执行。
37.所述图像优化模型用于对初始pet图像进行优化，提高图像质量，使优化后的图像具有更低的图像噪声(或更高的信噪比)，更高的分辨率以及更好的对比度。在一些实施例中，所述图像优化模型是训练好的机器学习模型。
38.示例性的机器学习模型可以包括神经网络模型(例如，深度学习模型)、生成对抗网络(gan)、深度置信网络(dbn)、堆叠自动编码器(sae)、逻辑回归(lr)模型、支持向量机(svm)模型、决策树模型、朴素贝叶斯模型、随机森林模型或受限玻尔兹曼机(rbm)、梯度提升决策树(gbdt)模型、lambdamart模型、自适应增强模型、隐马尔可夫模型、感知器神经网络模型、hopfield网络模型等或其任意组合。示例性的深度学习模型可以包括深度神经网络(dnn)模型、卷积神经网络(cnn)模型、递归神经网络(rnn)模型、特征金字塔网络(fpn)模型等。示例性的cnn模型可以包括v-net模型、u-net模型、fb-net模型、link-net模型等，或其任意组合。在一些实施例中，所述图像优化模型为三维u-net模型。所述三维u-net模型的模型结构包括多个连接层、卷积层、池化层以及上采样层，具体如图7所示。在一些实施例中，所述图像优化模型可以是神经网络模型，因此所述图像优化模型也被称为基于神经网络的图像优化模型。
39.在一些实施例中，所述图像优化模型是以长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像为样本对进行训练而得到的。具体地，所述长轴稀疏探测器pet样本图像为训练输入图像，所述长轴全探测器pet样本图像为训练目标图像(又称为金标准)。所述长轴稀疏探测器pet样本图像是指基于长轴稀疏探测器pet样本数据重建的图像。其中，长轴稀疏探测器pet样本数据是通过对长轴全探测器采集的pet数据(又称为长轴全探测器采集的pet样本数据，用于训练图像优化模型)进行稀疏操作(降采样)后重建生成的，以模拟长轴稀疏探测器采集的pet数据。所述长轴全探测器pet样本图像是指基于长轴全探测器采集的pet样本数据重建得到的pet图像。关于生成所述图像优化模型的具体描述，可以参见本说明书其他部分，例如，图2及其描述，此处不再赘述。
40.在一些实施例中，获取模块510可以从生成所述图像优化模型的处理设备中获取所述图像优化模型。在一些实施例中，所述图像优化模型存储在存储设备(例如，图6中的存储器610)中。获取模块510可以从所述存储设备中获取所述图像优化模型。
41.步骤130，基于所述初始pet图像和图像优化模型，生成目标图像。在一些实施例中，步骤130可以由优化模块520执行。
42.利用图像优化模型对所述初始pet图像进行优化，得到所述目标图像，所述目标图像具有比初始pet图像更高的质量。如上所述，所述图像优化模型是以长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像为训练样本对进行训练而得到的，因此所述目标图像的质量接近或达到相同轴向视野的长轴全探测器pet图像的质量水平。
43.在一些实施例中，在图像优化之前，可以对所述初始pet图像进行标准化处理(也称为归一化处理)。在一些实施例中，可以基于所述初始pet图像的均值和/或标准差，对所述初始pet图像进行标准化处理。所述初始pet图像的均值是指所述初始pet图像上所有像素点的像素值的平均値。所述初始pet图像的标准差是指所述初始pet图像上所有像素点的像素值的标准差。例如，可以基于式(1)对所述初始pet图像进行标准化处理：其中，i
′
为标准化处理后的初始pet图像(也称为标准化pet图像)，i为初始pet图像，μ为初始pet图像的均值，σ为初始pet图像的标准差。
44.将标准化pet图像输入至所述图像优化模型，得到模型输出图像(即所述图像优化模型输出的pet图像)。模型输出图像为对应于标准化pet图像的质量较高的图像。所述模型输出图像的噪声被抑制，且结构信息恢复较好，接近训练的目标图像的图像质量水平。
45.由于模型输出图像对应于标准化pet图像，为了保证pet图像的定量一致性，因此需要进一步对模型输出图像进行逆标准化处理。逆标准化处理可以看做是上述标准化处理的逆操作或还原操作。逆标准化处理后的模型输出图像(也称为目标图像)对应所述初始pet图像。在一些实施例中，可以基于所述初始pet图像的均值和/或标准差，对所述模型输出图像进行逆标准化处理。例如，可以基于式(2)对所述模型输出图像进行逆标准化处理：i
target
＝i
out
*σ μ，
ꢀꢀꢀ
(2)其中，i
target
为目标图像，i
out
为模型输出图像。
46.应当注意的是，上述有关方法100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方法100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。例如，在图像优化之前，还可以对所述初始pet图像进行预处理。示例性地，所述预处理可以包括图像增强(例如，点扩展函数(psf)、飞行时间(tof)等)、图像降噪、图像校正(例如，图像配准、衰减校正、散射校正、探测器效率归一化校正、随机校正、衰变校正)。
47.在一些实施例中，图像重建方法100也可以通过在数据域对获取的pet数据进行恢复而得到目标图像。具体地，可以获取扫描对象在设定扫描范围内的pet数据以及基于神经网络的优化模型。所述设定扫描范围对应设置有第一密度的探测器。所述第一密度是指单位面积内探测器晶体的数量。在一些实施例中，所述第一密度也可以通过所述设定扫描范围内探测器晶体的数量来表示。所述基于神经网络的优化模型用于对所述pet数据进行优
化，得到目标pet数据，所述目标pet数据具有比所述pet数据更高的质量。基于所述pet数据和所述基于神经网络的图像优化模型，可以获取目标pet数据。所述目标pet数据与所述设定扫描范围设置第二密度的探测器相对应。所述第一密度小于所述第二密度。所述第二密度是指单位面积内对应于所述目标pet数据的探测器晶体的数量。在一些实施例中，所述第二密度也可以通过所述设定扫描范围内对应于所述目标pet数据的探测器晶体的数量来表示。
48.类似于上述图像优化模型，所述基于神经网络的优化模型可以是以长轴稀疏探测器pet样本数据和长轴全探测器pet样本数据为训练样本对进行训练而得到的，因此所述目标pet数据的质量可以接近或达到相同轴向视野的长轴全探测器pet数据的质量水平。
49.在得到所述目标pet数据后，可以根据所述目标pet数据重建所述扫描对象的目标图像。
50.图2是根据本说明书一些实施例所示的生成图像优化模型的示例性流程图。在一些实施例中，流程200可以由获取模块510和模型训练模块530执行。
51.流程200可以与流程100相对应。通过流程200所述的生成图像优化模型的方法，生成图1中所述的图像优化模型。在一些实施例中，可以基于长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像，对初始图像优化模型进行训练，生成所述图像优化模型。具体地：
52.步骤210，获取长轴全探测器pet样本数据。
53.长轴全探测器pet样本数据是指长轴全探测器采集的用于训练初始图像优化模型的pet数据。在一些实施例中，可以使用长轴全探测器对一个或多个样本对象进行扫描，获取pet数据。获取的pet数据即为长轴全探测器pet样本数据。例如，可以使用轴向视野约为2m的长轴全探测器对多个病人进行扫描，获取所述多个病人的pet数据。所述多个病人的pet数据即为长轴全探测器pet样本数据。
54.步骤220，基于长轴全探测器pet样本数据，生成长轴稀疏探测器pet样本图像。
55.通过对所述长轴全探测器pet样本数据进行稀疏操作，生成稀疏后的长轴全探测器采集的pet数据，以此模拟长轴稀疏探测器采集的pet数据。在本实施例中，稀疏后的长轴全探测器采集的pet数据被确定为长轴稀疏探测器pet样本数据。
56.在一些实施例中，所述稀疏操作可以包括降采样、删除、过滤等。例如，通过对所述长轴全探测器pet样本数据进行降采样，生成长轴稀疏探测器采集的pet数据。降采样率可以为，例如，10％、20％、30％、40％、50％、60％，70％，80％、90％等。降采样过程中，可以对所述长轴全探测器pet样本数据均匀或非均匀地进行采样。例如，当降采样率为50％时，可以每间隔一个或一组pet数据，对所述长轴全探测器pet样本数据中的下一个或下一组pet数据进行采样，生成所述长轴稀疏探测器pet样本数据。又例如，通过对所述长轴全探测器pet样本数据进行部分删除，生成长轴稀疏探测器采集的pet数据。删除的数据量可以为，例如，长轴全探测器pet样本数据的10％、20％、30％、40％、50％、60％，70％，80％、90％等。数据删除过程中，可以对所述长轴全探测器pet样本数据均匀或非均匀地进行删减。
57.对所述长轴稀疏探测器pet样本数据进行重建，可以生成所述长轴稀疏探测器pet样本图像。典型的pet图像重建方法如图1步骤110中所述，此处不再赘述。基于上述pet图像重建方法中的任意一种，对所述长轴稀疏探测器pet样本数据进行重建，生成所述长轴稀疏
探测器pet样本图像。
58.步骤230，基于长轴全探测器pet样本数据，重建得到长轴全探测器pet样本图像。
59.所述长轴全探测器pet样本图像是通过直接对所述长轴全探测器pet样本数据重建而获得。在一些实施例中，重建所述长轴全探测器pet样本图像和所述长轴稀疏探测器pet图像所采用的重建协议相同。所述重建协议可以包括重建算法、子集个数、迭代次数、滤波方式、像素大小、层厚等参数。
60.步骤240，以所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像为训练样本，训练初始图像优化模型，得到所述图像优化模型。
61.在一些实施例中，所述长轴稀疏探测器pet样本图像可以作为模型训练的输入图像，所述长轴全探测器pet样本图像可以作为模型训练的目标图像。基于所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像，通过迭代优化初始图像优化模型(例如，更新所述初始图像优化模型的参数，例如，权重)，直到满足迭代终止条件后，得到训练后的图像优化模型(即所述图像优化模型)。示例性地，所述初始图像优化模型可以为u-net模型、gan模型等。所述迭代终止条件包括某一次迭代过程中目标函数(又称为损失函数)的值低于阈值，已完成预设次数的迭代，或目标函数收敛(上一次迭代时目标函数的值与本次迭代时目标函数的值低于预设值)等。在一些实施例中，可以利用自适应矩估计(adam)、基于随机梯度下降(sgd)等优化算法，在训练过程中不断的更新初始图像优化模型的权重，直至目标函数趋于收敛状态得到一个稳定的模型，即为所述图像优化模型。
62.所述目标函数用于反映所述长轴全探测器pet样本图像与迭代过程中所述初始图像优化模型输出的图像之间的差异。所述目标函数可以包括焦点损失函数、交叉熵损失函数、对数损失函数、均值平方差(mse)损失函数、结构相似度索引(ssim)损失函数等。在一些实施例中，为了令最高分辨率达到抑制噪声的同时保持较好的结构对比信息，所述目标函数采用mse和ssim的混合损失函数。
63.在一些实施例中，在训练所述初始图像优化模型之前，可以分别对所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像进行标准化处理。在一些实施例中，可以基于所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像的均值和/或标准差，分别对所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像进行标准化处理。例如，可以基于式(1)分别对所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像进行标准化处理。
64.在一些实施例中，在训练所述初始图像优化模型之前，还可以分别对所述长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像进行预处理。示例性地，所述预处理可以包括图像增强(例如，点扩展函数(psf)、飞行时间(tof)等)、图像降噪、图像校正(例如，图像配准、衰减校正、散射校正、探测器效率归一化校正、随机校正、衰变校正)。
65.应当注意的是，上述有关方法200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方法200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。
66.图3是根据本说明书另一些实施例所示的图像重建方法的示例性流程图。
67.在一些实施例中，流程300可以是在流程100的基础上，进一步获取与所述初始pet图像匹配的计算机断层扫描(ct)图像，并基于所述初始pet图像、ct图像和图像优化模型，
生成目标图像。具体地：
68.步骤310，获取初始pet图像。
69.步骤320，获取图像优化模型。
70.在一些实施例中，步骤310和320与图1所描述的流程100的步骤110和120相同或相似，此处不再赘述。
71.步骤330，获取与初始pet图像匹配的ct图像。
72.所述与初始pet图像匹配的ct图像是由ct扫描设备通过扫描与所述初始pet图像中相同的目标对象(例如，人体)采集的ct数据而生成。所述ct扫描设备可以对人体某部一定厚度的层面进行扫描，以提供感兴趣区域(例如，病灶)的衰减信息和精确解剖定位。通过对所述ct数据进行重建即可生成所述ct图像。典型的ct重建算法包括傅里叶变换(ft)算法、反投影(bp)算法、滤波反投影(fbp)算法、迭代重建(ir)算法等。
73.在一些实施例中，所述ct扫描设备是pet-ct扫描设备的一部分。pet-ct扫描设备是将pet扫描设备与ct扫描设备结合在一起，对所述目标对象进行扫描。pet-ct扫描设备使用同一个病床和同一个图像处理工作站，将pet图像(例如，所述初始pet图像)和ct图像(如与所述与初始pet图像匹配的ct图像)融合，由pet图像提供感兴趣区域详尽的功能与代谢等分子信息，而ct图像提供衰减信息和感兴趣区域的精确解剖定位，一次显像可获得待检测部位各方位的断层图像，可以同时反映感兴趣区域的病理生理变化和形态结构，了解整体状况，明显提高诊断的准确性。
74.步骤340，基于所述初始pet图像、ct图像和所述图像优化模型，生成目标图像。
75.在一些实施例中，在基于所述初始pet图像、ct图像和所述图像优化模型，生成所述目标图像之前，对所述初始pet图像和/或所述ct图像进行重采样，使重采样后的所述初始pet图像和/或所述ct图像具有相同的尺度(例如，像素尺寸)。例如，所述ct图像的像素大小为1.2毫米(mm)*1.2mm，所述初始pet图像的像素大小为4mm*4mm，可以将所述ct图像重采样至像素大小为4mm*4mm。又例如，所述ct图像的像素大小为1.2毫米(mm)*1.2mm，所述初始pet图像的像素大小为4mm*4mm，可以将所述初始pet图像和所述ct图像均重采样至像素大小为6mm*6mm。
76.在一些实施例中，在重采样后，对于重采样后的初始pet图像和ct图像进行标准化处理。在一些实施例中，可以基于重采样后的初始pet图像的均值和标准差对所述重采样后的初始pet图像进行标准化处理，基于重采样后的ct图像的均值和标准差对所述重采样后的ct图像进行标准化处理。例如，可以基于图1步骤130中所述的标准化处理方法(例如，式(1)或类似方式)分别对重采样后的初始pet图像和ct图像进行标准化处理，此处不再赘述。
77.将标准化处理后的初始pet图像(又称为标准化pet图像)和标准化处理后的ct图像(又称为标准化ct图像)输入至所述图像优化模型，得到模型输出图像(即所述图像优化模型输出的pet图像)。在一些实施例中，所述标准化pet图像和标准化ct图像通过两个不同通道，分别输入所述图像优化模型。所述模型输出图像的轴向噪声被抑制，且结构信息恢复较好。
78.由于模型输出图像对应于标准化pet图像和ct图像，因此需要进一步对模型输出图像进行逆标准化处理。逆标准化处理后的模型输出图像(也称为目标图像)对应所述初始pet图像。在一些实施例中，可以基于所述初始pet图像的均值和/或标准差，对所述模型输
出图像进行逆标准化处理。例如，可以基于式(2)或类似方式对所述模型输出图像进行逆标准化处理，此处不再赘述。
79.在一些实施例中，所述ct图像也可以替换为其他类型的图像，例如，磁共振(mr)图像。对于神经网络来说，输入信息的完善更有利于网络的训练，所述ct图像(和/或mr图像)可以提供pet图像上相对不清晰的解剖结构信息，更有利于所述目标pet图像的生成。
80.应当注意的是，上述有关方法300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方法300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。例如，还可以对所述初始pet图像和所述ct图像进行预处理。示例性地，所述预处理可以包括图像增强(例如，点扩展函数(psf)、飞行时间(tof)等)、图像降噪、图像校正(例如，图像配准、衰减校正、散射校正、探测器效率归一化校正、随机校正、衰变校正)。所述预处理可以在对所述初始pet图像和所述ct图像进行所述重采样之前或之后或所述标准化处理之前或之后进行，此处不作具体限定。
81.图4是根据本说明书另一些实施例所示的生成图像优化模型的示例性流程图。
82.流程400可以与流程300相对应。通过流程400所述的生成图像优化模型的方法，生成图3中所述的图像优化模型。在一些实施例中，流程400可以是在流程200的基础上，进一步获取与所述长轴全探测器pet样本图像匹配的ct样本图像，并以所述长轴稀疏探测器pet样本图像、ct样本图像以及长轴全探测器pet样本图像为训练样本，训练初始图像优化模型，得到所述图像优化模型。具体地：
83.步骤410，获取长轴全探测器pet样本数据。
84.步骤420，基于长轴全探测器pet样本数据，生成长轴稀疏探测器pet样本图像。
85.步骤430，基于长轴全探测器pet样本数据，重建得到长轴全探测器pet样本图像。
86.在一些实施例中，步骤410-430与图2所描述的流程200的步骤210-230相同或相似，此处不再赘述。
87.步骤440，获取与长轴全探测器pet样本图像匹配的ct样本图像。
88.所述与长轴全探测器pet样本图像匹配的ct样本图像是由ct扫描设备通过扫描与所述长轴全探测器pet样本图像中相同的一个或多个样本对象采集的ct样本数据而生成。通过对所述ct样本数据进行重建即可生成所述ct样本图像。
89.在一些实施例中，所述ct扫描设备是pet-ct扫描设备的一部分。pet-ct扫描设备是将pet扫描设备与ct扫描设备结合在一起，对所述一个或多个样本对象进行扫描。所述pet扫描设备的探测器为所述长轴全探测器。
90.步骤450，以所述长轴稀疏探测器pet样本图像、ct样本图像以及长轴全探测器pet样本图像为训练样本，训练初始图像优化模型，得到所述图像优化模型。
91.在一些实施例中，所述长轴稀疏探测器pet样本图像和所述ct样本图像可以作为模型训练的输入图像，所述长轴全探测器pet样本图像可以作为模型训练的目标图像。基于所述长轴稀疏探测器pet样本图像、ct样本图像和长轴全探测器pet样本图像，通过迭代优化初始图像优化模型(例如，更新所述初始图像优化模型的参数，例如，权重)，直到满足迭代终止条件后，得到训练后的图像优化模型(即所述图像优化模型)。示例性地，所述初始图像优化模型可以为u-net模型、gan模型等。
92.在一些实施例中，在训练所述初始图像优化模型之前，可以分别对所述长轴稀疏
探测器pet样本图像、所述ct图像和长轴全探测器pet样本图像进行标准化处理。在一些实施例中，可以基于所述长轴稀疏探测器pet样本图像、所述ct图像和长轴全探测器pet样本图像的均值和/或标准差，分别对所述长轴稀疏探测器pet样本图像、所述ct图像和长轴全探测器pet样本图像进行标准化处理。例如，可以基于式(1)或类似方式分别对所述长轴稀疏探测器pet样本图像、所述ct图像和长轴全探测器pet样本图像进行标准化处理。
93.在一些实施例中，在训练所述初始图像优化模型之前，还可以分别对所述长轴稀疏探测器pet样本图像、所述ct图像和长轴全探测器pet样本图像进行预处理。示例性地，所述预处理可以包括图像增强(例如，点扩展函数(psf)、飞行时间(tof)等)、图像降噪、图像校正(例如，图像配准、衰减校正、散射校正、探测器效率归一化校正、随机校正、衰变校正)。
94.图5是根据本说明书一些实施例所示的成像系统的示例性模块图。
95.如图5所示，该成像系统500可以包括获取模块510、优化模块520、和模型训练模块530。在一些实施例中，成像系统500可以由成像设备600(如处理器620)实现。
96.获取模块510可以获取初始pet图像、与初始pet图像匹配的ct图像、图像优化模型以及模型训练样本(例如，长轴全探测器pet样本数据以及与长轴全探测器pet样本图像匹配的ct样本图像)。
97.优化模块520可以基于图像优化模型，对所述初始pet图像进行优化，生成目标图像。所述目标图像具有比初始pet图像更高的质量，接近或达到长轴全探测器pet图像的质量水平。在一些实施例中，优化模块520可以基于所述初始pet图像和图像优化模型，生成目标图像。在一些实施例中，优化模块520可以基于所述初始pet图像、与所述初始pet图像相匹配的ct图像和所述图像优化模型，生成目标图像。
98.模型训练模块530可以基于模型训练样本训练初始图像优化模型，生成图像优化模型。在一些实施例中，模型训练模块530可以以长轴稀疏探测器pet样本图像和长轴全探测器pet样本图像为训练样本，训练初始图像优化模型，得到所述图像优化模型。在一些实施例中，模型训练模块530可以以长轴稀疏探测器pet样本图像、ct样本图像以及长轴全探测器pet样本图像为训练样本，训练初始图像优化模型，得到所述图像优化模型。
99.需要注意的是，以上对于成像系统及其各模块的描述，仅为描述方便，并不能把本技术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。在一些实施例中，图5中披露的获取模块510、优化模块520和模型训练模块530可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本技术的保护范围之内。
100.图6是根据本说明书一些实施例所示的成像设备600的示例性结构图。如图6所示，成像设备600可以包括存储器610、处理器620和通信总线。存储器610和处理器620可以通过通信总线实现通信过程。处理器620可以用于执行本技术上述任一实施例提供的动态成像方法。
101.在一些实施例中，处理器620可以采用中央处理器、服务器、终端设备或其他任何可能的处理设备来实现。在一些实施例中，上述中央处理器、服务器、终端设备或其他处理设备可以在云平台上实施。在一些实施例中，上述中央处理器、服务器或其他处理设备可以
与各种终端设备互联，终端设备可以完成信息处理工作或部分信息处理工作。
102.在一些实施例中，存储器610(或计算机可读存储介质)可以储存数据和/或指令(如计算机指令)。在一些实施例中，存储器610可以存储有计算机指令，处理器620(或计算机)可以通过读取该计算机指令以执行本说明书任一实施例提供的图像重建方法。在一些实施例中，存储设备可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(rom)等或其任意组合。在一些实施例中，存储设备可在云平台上实现。
103.本说明书实施例可能带来的有益效果包括但不限于：(1)通过使用长轴稀疏探测器，重建的目标图像的质量高(信噪比和分辨率更高)，接近或达到长轴全探测器pet图像的质量水平；(2)长轴稀疏探测器由于探测器数量较少，因此成本较低，同时，由于采集的pet数据数量较少，重建速度快；(3)长轴稀疏探测器具有长轴探测器的属性，可以通过一次扫描覆盖病人全身，一次扫描即可重建病人全身的图像，无需多次扫描拼接。
104.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。
105.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。
106.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。
107.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。
108.一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。
109.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。
110.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。