[發(fā)明專利]基于深度學習的影像分析多時相異常特征區(qū)域參數(shù)的方法

在審

• 申請?zhí)枺?/td>: 202110209392.2
• 申請日: 2021-02-25
• 公開（公告）號: CN112991478A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設計）人: 石洪成;陳曙光;胡鵬程;譚輝
• 申請（專利權）人: 復旦大學附屬中山醫(yī)院
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T7/11;G06T7/00;A61B6/03;A61B6/00
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

本發(fā)明涉及一種基于深度學習的PET/CT影像分析多時相異常特征區(qū)域參數(shù)的方法，屬于醫(yī)學影像技術領域。本發(fā)明基于超長軸距PET/CT進行雙模態(tài)的全身一體化顯像，借助CT影像的高分辨率以及全身的整體定位片，利用深度學習訓練AI識別人體標志性器官及具備剛性變換特征的關鍵位置，同時識別相應的PET影像保證多次掃描體位特征規(guī)范、統(tǒng)一；利用具備物理定位功能的頭托定位起始位置，達到多時相采集，同體位同層面分析的效果。利用AI深度學習進行多時相同體位異常代謝感興趣區(qū)勾畫，提高多時相全身動態(tài)PET影像中各個感謝興趣區(qū)的匹配精準度，實現(xiàn)精準對比，精準分析。

技術領域

本發(fā)明涉及一種基于深度學習的影像分析多時相異常特征區(qū)域參數(shù)的方法，屬于醫(yī)學影像技術領域。

背景技術

正電子發(fā)射斷層掃描(PET)是在20世紀70年代早期被引入的一種醫(yī)學成像方式。從PET到PET/CT(正電子發(fā)射計算機斷層顯像)，目前已經(jīng)發(fā)展成為一種常規(guī)的重要的臨床成像方式，用于分子水平的人體代謝和功能成像的無創(chuàng)評估。PET/CT的優(yōu)點是它是一種非常靈敏的成像方式，可以提供具備解剖背景信息的定量分析信息。PET/CT系統(tǒng)自2001年以來，全世界安裝了6000多臺PET/CT，近年來由于PET/CT系統(tǒng)的國產化，作為一種先進的醫(yī)療裝備在我國的安裝數(shù)量也在逐年增加。全身PET/CT顯像是一種被廣泛引用于臨床的先進醫(yī)療技術，目前由于新型全視野2米PET的出現(xiàn)，臨床實踐中從以往分段式步進全身采集已經(jīng)發(fā)展到一體化靜態(tài)采集，一體化動態(tài)采集，利用設備的超高靈敏度和超長軸向采集視野，可以得到同一時間點的全身分子水平的代謝影像，從而為精準診斷提供了一種非常好的技術手段。但由于PET/CT檢查經(jīng)常需要在腫瘤分期，治療前后對比，延遲顯像等應用方面進行多時相掃描采集，這就帶來了由于床位變換，導致的PET/CT采集圖像病人的物理位置偏移，無法真正實現(xiàn)精準對比，精準分析，精準診斷。現(xiàn)有技術中PET/CT無論是常規(guī)視野的還是超長軸向視野的，在多時相圖像采集時都不能實現(xiàn)病人體位的多次精準一致，還主要依賴醫(yī)務人員的基本物理位置記憶或圖像的目測對比，但會經(jīng)常導致采集范圍和病人多次掃描體位形態(tài)不一致，無法滿足精準醫(yī)學的“精準”二字。

發(fā)明內容

本發(fā)明的目的是為解決進行PET/CT檢查的多時相掃描采集時如何實現(xiàn)精準對比的技術問題。

為達到解決上述問題的目的，本發(fā)明所采取的技術方案是提供一種基于深度學習人體全身PET/CT影像分析多時相異常特征區(qū)域參數(shù)的方法；包括以下步驟：

步驟1：獲得CT全身定位片和ACCT(用于衰減校正的計算機斷層影像)全身影像標注數(shù)據(jù)集；

步驟2：利用深度學習AI識別CT頭、四肢、骨盆圖像并分割；

步驟3：利用深度學習AI識別PET頭、四肢、骨盆圖像并分割；

步驟4：利用第一時相ACCT圖像匹配多時相ACCT圖像，同時AI識別分割多時相同位置的PET層面；通過深度學習訓練AI識別人體標志性器官及具備剛性變換特征的關鍵位置，識別相應的PET影像；

步驟5：獲得第一時相全身PET/CT影像，即第一時相全身定位片；再獲得同一物理位置的第二時相全身PET/CT影像；再通過多次全身PET/CT檢查，獲得同一物理位置的多時相全身PET/CT影像；

步驟6：利用步驟4中通過深度學習訓練AI識別人體標志性器官及具備剛性變換特征的關鍵位置，識別相應的PET影像，對步驟5中首次采集的體位形態(tài)和相應的物理參數(shù)進行記錄，作為標準參照，保證多次掃描體位特征規(guī)范、統(tǒng)一；

步驟7：利用步驟4中通過深度學習訓練AI識別人體標志性器官及具備剛性變換特征的關鍵位置，識別相應的PET影像，進行多時相同體位異常代謝感興趣區(qū)的勾畫，在步驟5中的多時相全身PET/CT影像的圖像序列上勾畫感興趣區(qū)，實現(xiàn)多時相全身PET/CT影像的感興趣區(qū)對比結果的匹配分析。