CN109938764A - 一种基于深度学习的自适应多部位扫描成像方法及其系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的自适应多部位扫描成像方法及其系统，应用于以核医学为主的多模态影像设备中，包括以下步骤：步骤A，针对成像目标物的多个目标部位进行单一模态或多模态的侦察扫描成像；步骤B，利用基于深度学习技术的图像分析软件对步骤A中的侦察扫描图像数据进行分析，并结合相关先验信息，检测出需要进一步重点成像的局部区域，并量化其重要性或风险；步骤C，基于步骤B的结果，选择最优化的流程和参数实施下一步扫描。本发明提出的自适应多部位扫描成像方法，最大化单位扫描时间和/或辐射剂量所贡献的图像诊断价值，对于肿瘤等多部位扫描成像应用实现个体最优化的精准影像检查，提升诊断效能，具有重要实用价值。

Description

一种基于深度学习的自适应多部位扫描成像方法及其系统

技术领域

本发明涉及核医学成像技术领域，尤其涉及一种基于深度学习的自适应多部位扫描成像方法及其系统。

背景技术

SPECT(Single Photon Emission Computed Tomography，单光子发射计算机断层成像术)与PET(Positron Emission Tomography，正电子断层成像术)是核医学两种成像技术，其通过伽马光子探测与成像技术，生成放射性示踪药物在人或动物体内的摄取、分布与排出的静态或动态图像，从而提供人或动物体内相关系统、器官、组织的功能信息，某些情况下可以揭示特殊细胞在分子水平上的生化反应过程，从而用于临床医学诊断和基础医学研究。SPECT与PET主要区别在于伽马光子准直器技术，SPECT采用高原子序数、高密度材料组成的准直器对发射自受检者体内的伽马光子进行准直器，从而获得其方向信息，与探测器探测到的位置信息相结合，得到光子路径信息；PET通过一对探测器时间符合进行电子准直，得出由同一个正电子湮灭发出的一对伽马光子的路径信息。进入21世纪，核医学发展到多模态融合成像的时代，SPECT/CT、PET/CT、PET/MRI(磁共振)、SPECT/MRI一体机设备纷纷出现(模态在医学影像学是指同一原理的一类成像技术或方式)，受检查者一次检查可先后或同时完成两种或多种不同模态的成像扫描，并将配准融合的图像提供给观察者进行分析，由于兼具功能(核医学)和解剖(CT或MRI)两方面的信息，因此通常可以发挥出1+1>2的效果。在扫描流程方面，根据临床应用需求的不同，可以分为单部位和多部位成像两种：单部位成像通常是利用CT或MRI行侦察扫描成像，一般为快速或低剂量的大范围扫描用于定位具体待成像器官或部位(某些情况下操作人员不依赖CT或MRI，凭经验定位)，并据此控制检查床运送仰卧或俯卧其上的病人至其目标成像部位到达不同模态的成像视野中，行先后或同时成像，单部位成像常见于肾、甲状腺、心脏等器官的功能评估；多部位成像，是指根据需求，需要完成多个不同的单部位成像，常见应用包括肿瘤全身扫描成像，免疫系统全身扫描成像，循环系统全身成像等，多部位成像在正式扫描之前亦可行侦察扫描成像。其中，肿瘤全身扫描成像是全世界范围内核医学最主要的临床应用，其目标不仅在于诊断原发灶，还需要精准定位和定量所有可能的转移灶，从而对病人进行准确分期，为后续治疗方案制定和疗效评估奠定基础。

对于多模态、多部位核医学成像应用，采集规程较为复杂，很多参数随着用户不同、病人不同、甚至操作人员习惯不同会有所变化。比如：每个部位扫描时间设定、SPECT全身骨平片扫描后是否行单部位或多部位断层扫描、SPECT准直器和采样角范围及采样数量的选择、以及CT或MRI相关成像参数的优化选择等。因此，针对某一类甚至每个病人优化扫描成像规程和参数，从而实现单位成本(如时间、剂量等)的价值最大化，一直是设备厂商和临床用户在积极研究和努力提升的方面。在当前的临床实践中，有一些扫描采集规程的指导性原则，如：针对大体重的肥胖病人应适当增加扫描时间；针对经操作人员初步判断的高风险或重要区域，应行追加SPECT/CT或PET/CT断层扫描等。近年来，有研究人员提出引入噪声等效计数等量化标准以个性化的优化不同体重级别的病人的扫描时间或者探讨在保证图像质量的前提下，降低病人腿部(因腿部结构相对简单)扫描时间的可行性。上述指导扫描规程的原则和研究工作，有两个主要问题：首先是其与成像的临床应用目标——诊断或疗效评估之间缺乏直观、明确的联系，因此导致难以有真正精确、个性化并被临床普遍认可的量化标准产生；在此基础上，具体扫描采集规程和参数的选择在实践中受用户习惯、操作人员经验等主观因素影响较大，进一步导致个性化采集规程的临床价值受到质疑，从而难以真正发挥作用。

近年来，有学者提出应用自适应成像(adaptive imaging)技术和方法以解决上述个性化的医学成像参数优化问题。自适应成像理论最早产生于地基天文观测领域，为了解决快速变化的大气环境对观测的影响，采用辅助传感器感知引导星体波前变化或其它方法分析未知目标的图像特征从而提前信息，进而利用该类信息调制可变形光学镜片组件，从而校正相位畸变的一种方法。医学成像领域最早采用类似自适应技术的是超声成像与磁共振成像，其应用目标和拟解决的问题与上述天文观测类似，主要是针对由于位置变化、病人运动、手术介入等因素引起的成像感兴趣区内物质形态和性质的快速变化，进行超声波或者磁共振脉冲序列的调制，从而实现快速优化扫描成像。在电离辐射成像领域，数字X光片(DR)的主动滤波器控制变化技术一直在研究中。目前临床CT中根据成像目标不同角度、不同位置的衰减情况进行X光出束强度的调制，从而优化图像质量、降低病人辐射剂量，已经成为一个主流技术选项。在核医学SPECT、PET及多模态成像领域，关于自适应成像的理论研究框架已经基本建立，提出了基于任务的自适应成像思路，其核心在于如何获取用于自适应优化成像的输入信息，包含五大要素：任务(自适应成像目的)、成像目标物集合(成像对象)、观察者(获取信息的主体，可以是人或者算法软件)，品质因数(对获取信息量化的规则和标准)以及侦测图像与先验知识(获取信息的方法和途径)。在上述理论基础上，一些研究针对动物成像应用进行了尝试，如采用PET插件实施自适应成像提升病灶图像空间分辨率、具备多参数可调节的动物SPECT原型机，以及多针孔SPECT自适应优化采样成像品质因数的计算与优化等。

上述研究在小动物成像领域取得了一定的成果，但是在临床成像领域，特别是多部位成像应用中，几乎没有开展任何有实际意义的尝试。其主要原因在于，多部位扫描成像，以肿瘤扫描成像为代表，其对应的成像任务是非常复杂的，通常包括病灶的检测、定位、定量分析乃至最终定性判断等多个方面。面对如此复杂的任务，常规的算法模型难以替代有经验的图像分析和判读人员，从先验知识和侦测图像中获取充分的信息，指导下一步成像规程或参数的优化。

深度学习是近十年来人工智能领域取得的重要技术突破。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。现有的深度学习模型属于神经网络。神经网络试图通过模拟大脑认知的机理解决各种机器学习问题，其通过深度(多层)神经网络结构、非线性传递函数、以及大量的权重链接参数，理论上可以模拟任何一种函数。但是也因为包含了大量参数，因此需要大的训练数据集进行参数训练和调节，否则会陷入到过拟合问题。近年来，以深度学习为代表的人工智能技术在医学图像领域的应用也取得了较明显的进展，其在图像处理上的能力分为四类：影像分类、目标检测、图像分割和图像检索。其中目标检测最接近多部位扫描影像可疑病灶检测评估的需求。当前，目标检测代表性的应用是CT图像中的肺结节检测，其基本步骤为：使用图像分割算法对肺部扫描序列进行处理，生成肺部区域图，然后根据肺部区域图生成肺部图像。利用肺部分割生成的肺部区域图像，加上结节标注信息生成结节区域图像，训练基于卷积神经网络的肺结节分割器，然后对图像做肺结节分割，得到疑似肺结节区域。找到疑似肺结节后，使用3D卷积神经网络对肺结节进行分类，得到真正肺结节的位置和置信度。上述技术最大的局限性在于其仅针对单一器官，当期扩展到多部位时，不同扫描部位背景的差异性和可疑病灶的差异性通常会导致基于单一器官数据的训练模型准确度大大降低，从而需要更大量的数据进行卷积神经网络训练以提高深度学习方法的准确率，因此导致该方法的实施难度和开发成本大大提升。

另外，与动物研究成像设备和技术不同，以核医学设备为代表的多模态临床影像设备通常具备多种扫描规程和参数进行选择，在实践中需要综合考虑多方面的因素——包括图像质量、采集时间、病人接受辐射的剂量、临床诊断效能与置信率等。在获得了较为充分的输入信息基础上，如何进行参数和规程的选择以达成上述多方面综合情况的理想折衷，也是一个较为复杂的最优化问题。

发明内容

本发明的目的之一在于提出一种基于深度学习的自适应多部位扫描成像方法，检测出需要进一步重点扫描成像的局部区域并量化评估其重要性和风险，据此选择下一步重点成像的部位、规程和优化参数，最大化单位扫描时间和/或辐射剂量对图像诊断价值及有效信息量的贡献，从而提升图像诊断效能，实现个体最优化的精准影像检查。

本发明的目的之二在于提出一种基于深度学习的自适应多部位扫描成像系统，提升图像诊断效能，实现个体最优化的精准影像检查。

为达到上述目的，本发明采用以下技术方案：

一种基于深度学习的自适应多部位扫描成像方法，应用于以核医学为主的多模态影像设备中，包括以下步骤：

步骤A，针对成像目标物的多个目标部位进行单一模态或多模态的侦察扫描成像；

步骤B，利用基于深度学习技术的图像分析软件对步骤A中的侦察扫描图像数据进行分析，并结合成像目标检测的相关先验信息，检测出需要进一步重点成像的局部区域，标明其边界，并对其重要性或风险进行量化评价；

步骤C，根据步骤B的检测和分析结果，选择下一步扫描最优化的流程和参数并实施扫描。

优选地，所述以核医学为主的多模态影像设备为SPECT系统、SPECT/CT系统、PET/CT系统、PET/MRI系统或SPECT/MRI系统；所述步骤A中，侦察扫描成像采用成像设备所能提供的单一模态扫描或多模态扫描的某一个规程，侦察扫描成像的范围覆盖需扫描的所有目标部位。

优选地，在步骤A中，侦察扫描成像遵循现有临床常规的低辐射伤害及快速成像方法惯例，或根据实际需求和成像目标具体情况，由人为设定或经所述基于深度学习技术的图像分析软件自动评估，延长侦察成像时间至接近但不超过常规正式成像扫描时间；所述延长侦察成像时间为等效通过多次采用相同侦察扫描规程或参数，并将所得图像累加来完成。

优选地，所述步骤B具体为：

步骤B1，利用基于深度学习技术的图像分析软件，对由2D核医学平片侦察图像或由3D核医学断层侦察图像生成的前后位最大强度投影平片图像分析：利用2D图像深度学习目标检测方法，并借助迁移学习方法预训练模型参数，进一步通过标注的病人图像数据进行细调参数，从而实现对多个典型器官的识别、定位以及一级病灶检测；

步骤B2,在一级病灶检测操作完成后，通过引入成像目标的相关先验信息，进一步确定二级病灶检测需要重点分析的区域和对病灶分析加权进行调整；二级病灶检测在上述操作基础上，针对筛选出的重点病灶和有风险区域，采用3D图像深度学习方法进行病灶检测，同时优化器官识别、定位边框的精准度，从而完成二级病灶检测，得出重点病灶和有风险区域的量化评价。

优选地，所述步骤C具体为：

步骤C1，根据步骤B的检测和分析结果，计算并提取每一个可疑病灶的尺寸和信噪比，结合临床设定的诊断目标值，确定每个可疑病灶进一步重点成像所需要达到的分辨率和信噪比，将所有可疑病灶按风险评估值排序，并将空间位置相近的可疑病灶归入同一集合；

步骤C2，根据步骤C1对可疑病灶的合并归类，确定进一步重点成像的部位、成像时间和扫描参数，自动选择最优化的扫描参数和规程并实施扫描；

若可选的现有规程无法匹配步骤B提出的进一步检测的扫描区域需求时，基于深度学习技术的图像分析软件基于阈值筛选的规则，选择再次进行侦察扫描并将两次侦察扫描图像合并用于深度学习分析。

优选地，一种基于深度学习的自适应多部位扫描成像系统，应用于以核医学为主的多模态影像设备中，所述以核医学为主的多模态影像设备中嵌入基于深度学习技术的图像分析软件，并包括以下模块：

侦察扫描成像模块，用于针对成像目标物的多个目标部位进行单一模态或多模态的侦察扫描成像；

量化评价模块，用于利用基于深度学习技术的图像分析软件对侦察扫描成像模块生成的侦察扫描图像数据进行分析，并结合成像目标检测的相关先验信息，检测出需要进一步重点成像的局部区域，标明其边界，并对其重要性或风险进行量化评价；

选择优化模块，用于根据量化评价模块的检测和分析结果，选择下一步扫描最优化的流程和参数并实施扫描。

优选地，所述以核医学为主的多模态影像设备为SPECT系统、SPECT/CT系统、PET/CT系统、PET/MRI系统或SPECT/MRI系统；所述侦察扫描成像模块采用成像设备所能提供的单一模态扫描或多模态扫描的某一个规程，侦察扫描成像的范围覆盖需扫描的所有目标部位。

优选地，侦察扫描成像遵循现有临床常规的低辐射伤害及快速成像方法惯例，或根据实际需求和成像目标具体情况，由人为设定或经所述基于深度学习技术的图像分析软件自动评估，延长侦察成像时间至接近但不超过常规正式成像扫描时间；所述延长侦察成像时间为等效通过多次采用相同侦察扫描规程或参数，并将所得图像累加来完成。

优选地，所述量化评价模块具体用于利用基于深度学习技术的图像分析软件，对由2D核医学平片侦察图像或由3D核医学断层侦察图像生成的前后位最大强度投影平片图像分析：利用2D图像深度学习目标检测方法，并借助迁移学习方法预训练模型参数，进一步通过标注的病人图像数据进行细调参数，从而实现对多个典型器官的识别、定位以及一级病灶检测；

和具体用于在一级病灶检测操作完成后，通过引入成像目标的相关先验信息，进一步确定二级病灶检测需要重点分析的区域和对病灶分析加权进行调整；二级病灶检测在上述操作基础上，针对筛选出的重点病灶和有风险区域，采用3D图像深度学习方法进行病灶检测，同时优化器官识别、定位边框的精准度，从而完成二级病灶检测，得出重点病灶和有风险区域的量化评价。

优选地，所述选择优化模块具体用于根据量化评价模块的检测和分析结果，计算并提取每一个可疑病灶的尺寸和信噪比，结合临床设定的诊断目标值，确定每个可疑病灶进一步重点成像所需要达到的分辨率和信噪比，将所有可疑病灶按风险评估值排序，并将空间位置相近的可疑病灶归入同一集合；

和具体用于根据对可疑病灶的合并归类，确定进一步重点成像的部位、成像时间和扫描参数，自动选择最优化的扫描参数和规程并实施扫描；

若可选的现有规程无法匹配量化评价模块提出的进一步检测的扫描区域需求时，基于深度学习技术的图像分析软件基于阈值筛选的规则，选择再次进行侦察扫描并将两次侦察扫描图像合并用于深度学习分析。

所述基于深度学习的自适应多部位扫描成像方法实现真正符合临床需求并获得优化质量图像的自适应多部位扫描成像方法，最大化单位扫描时间和/或辐射剂量所贡献的图像诊断价值，对于肿瘤等多部位扫描成像应用实现个体最优化的精准影像检查，提升诊断效能，具有重要实用价值。

附图说明

附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。

图1是本发明其中一个实施例的基于深度学习的自适应多部位扫描成像流程图；

图2是本发明其中一个实施例的SPECT平片侦察成像示例图；

图3是本发明其中一个实施例的CT低剂量断层侦察扫描成像示例图，其中图3(a)为轴向断层切片，图3(b)为轴向断层切片冠状位切片，图3(c)为矢状位切片；

图4是本发明其中一个实施例的针对多部位侦察图像实现病灶检测的算法模型框图；

图5是本发明其中一个实施例的检测SPECT平片侦察图像可疑病灶示例图；

图6是本发明其中一个实施例的在现有临床主流SPECT/CT、PET/CT或PET/MR上针对侦察成像的智能检测分析结果进行优化重点采集扫描方式的流程框图；

图7是本发明其中一个实施例的基于图2所示的平片侦察扫描成像实施SPECT断层扫描成像在两个病灶中心位置的切片图像；

图8是本发明其中一个实施例的基于图3所示的低剂量CT侦察断层图像的分析结果，在重要局部所行的大球管电流CT高清扫描图像，其中图8(a)为轴向断层切片，图8(b)为轴向断层切片冠状位切片，图8(c)为矢状位切片

图9是本发明其中一个实施例的实现自适应多部位核医学扫描成像方法的新型SPECT/CT系统示意图；

图10是本发明其中一个实施例的基于自适应多针孔准直器的全环SPECT结构示意图；

图11是本发明其中一个实施例的通过准直器轴向运动实现在两种成像模式中切换的示意图。

其中：全环SPECT探测器1；伽马光子屏蔽锥筒2；伽马光子准直器筒的屏蔽部分3；大孔径伽马光子准直孔4；小孔径伽马光子准直孔5；伽马光子屏蔽锥筒的前端通路2a；轴向第一环SPECT探测器1a；轴向第二环SPECT探测器1b。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

实施例一

本实施例的基于深度学习的自适应多部位扫描成像方法，应用于以核医学为主的多模态影像设备中，如图1所示，包括以下步骤：

步骤A，针对成像目标物的多个目标部位进行单一模态或多模态的侦察扫描成像；

步骤B，利用基于深度学习技术的图像分析软件对步骤A中的侦察扫描图像数据进行分析，并结合成像目标检测的相关先验信息，检测出需要进一步重点成像的局部区域，标明其边界，并对其重要性或风险进行量化评价；

步骤C，根据步骤B的检测和分析结果，选择下一步扫描最优化的流程和参数并实施扫描。

优选地，所述以核医学为主的多模态影像设备为SPECT系统、SPECT/CT系统、PET/CT系统、PET/MRI系统或SPECT/MRI系统；所述步骤A中，侦察扫描成像采用成像设备所能提供的单一模态扫描或多模态扫描的某一个规程，侦察扫描成像的范围覆盖需扫描的所有目标部位。

成像目标物为人或动物，目标部位为潜在发病或需要检查部位，基于深度学习技术的图像分析软件为现有软件。如下图2、3所示，图2所示为SPECT肿瘤全身平片侦察成像，用以评估疑似肿瘤病灶的位置和风险，与全身断层成像相比，全身平片成像是一种快速成像方式，其优点在于所用扫描时间约为全身断层的1/4，缺点在于肿瘤病灶与背景摄取的对比度低，且无法进行进一步真正三维的量化分析；图3所示为多部位低剂量CT侦察扫描成像，用于初步检测和定位可疑病灶，并引导后续扫描成像部位和规程，与常规诊断级CT扫描成像相比，其优点显著降低了对健康部位的辐射剂量，缺点在于图像信噪比低，病灶的形态特征受到噪声干扰，对医生准确诊断造成负面影响。在当前的临床应用中，上述两种成像方式均经常被用于某种意义上的侦察成像模式采集，所获得图像由医生分析，判断是否有必要进行下一步的局部SPECT断层或高清(大剂量)CT断层扫描成像。采用SPECT与CT单独或二者结合的技术参数实施多部位的侦察成像规程，侦察扫描成像为平片扫描模式或断层扫描模式。

步骤B中，该深度学习技术算法模型可以针对人体多个部位而非单个器官的图像进行同时分析，完成需进一步重点成像区域的检测、简单范围勾画以及重要性或风险量化评价，对于图像数据超出软件分析能力的情况，应提示操作人员介入评估。

步骤C中，根据步骤B所得出的检测分析结果，自动选择最优化的扫描参数和规程并实施扫描，如可选现有规程无法匹配步骤B提出进一步检测区域的扫描区域需求，应提示操作人员介入评估或延长侦察扫描时间。

优选地，在步骤A中，侦察扫描成像遵循现有临床常规的低辐射伤害及快速成像方法惯例，或根据实际需求和成像目标具体情况，由人为设定或经所述基于深度学习技术的图像分析软件自动评估，延长侦察成像时间至接近但不超过常规正式成像扫描时间；所述延长侦察成像时间为等效通过多次采用相同侦察扫描规程或参数，并将所得图像累加来完成。区别于常规侦察成像仅用于为正式扫描定位，在经所述基于深度学习技术的图像分析软件自动评估的情况中，延长侦察成像方法所获得的图像本身具有临床判读分析的价值。

优选地，所述步骤B具体为：

步骤B1，利用基于深度学习技术的图像分析软件，对由2D核医学平片侦察图像或由3D核医学断层侦察图像生成的前后位最大强度投影平片图像分析：利用2D图像深度学习目标检测方法，并借助迁移学习方法预训练模型参数，进一步通过标注的病人图像数据进行细调参数，从而实现对多个典型器官的识别、定位以及一级病灶检测；

步骤B2,在一级病灶检测操作完成后，通过引入成像目标的相关先验信息，进一步确定二级病灶检测需要重点分析的区域和对病灶分析加权进行调整；二级病灶检测在上述操作基础上，针对筛选出的重点病灶和有风险区域，采用3D图像深度学习方法进行病灶检测，同时优化器官识别、定位边框的精准度，从而完成二级病灶检测，得出重点病灶和有风险区域的量化评价。

利用基于深度学习技术的图像分析软件，其算法框架模型如图4所示，该算法首先对2D核医学平片侦察图像或由3D核医学断层侦察图像生成的前后位最大强度投影(Maximum Intensity Projection,MIP)平片图像分析，利用目前相对成熟的2D图像深度学习目标检测方法(如Faster RCNN，YOLO等),并借助迁移学习方法预训练模型参数，进一步通过标注的病人图像数据进行细调参数，从而实现对包括头颈、胸部、腹部、双上肢、双下肢等主要部位以及如肝、肾、膀胱等典型器官的识别、定位以及一级病灶检测，本步骤操作的目的有两个：一是检测出明显的病灶和排除明确没有病灶的区域，二是对图像中不同的解剖部位和器官进行划分，为下一步二级病灶检测打下基础；

在一级病灶检测操作完成后，通过引入病史、临床诊断与检验等先验信息，进一步确定二级检测需要重点分析的区域和对病灶分析加权进行调整；二级病灶检测在上述操作基础上，针对筛选出的重点病灶和有风险区域，采用3D图像深度学习方法进行病灶检测，同时优化器官识别、定位边框的精确性，将二者结合，进一步提升病灶检测准确率并量化评估可疑病灶的风险。采用图4所示的算法方案，最主要的目的在于降低针对大范围3D断层数进行深度分析所引入的大计算量和长计算时间，提升算法效率，从而满足在线检测分析并引导下一步优化成像采集的需求。需要说明的是，在有些实例中，如现有的SPECT/CT系统，可能难以实现3D核医学断层侦察图像扫描功能，因此需仅能依靠图4中的一级病灶检测、器官定位结果和病人其它相关信息给出最终病灶检测定位与风险量化评估值，如图5所示，对图1所述SPECT平片全身侦察图像进行分析，检测出的疑似病灶位置和风险概率。

优选地，所述步骤C具体为：

步骤C1，根据步骤B的检测和分析结果，计算并提取每一个可疑病灶的尺寸和信噪比，结合临床设定的诊断目标值，确定每个可疑病灶进一步重点成像所需要达到的分辨率和信噪比，将所有可疑病灶按风险评估值排序，并将空间位置相近的可疑病灶归入同一集合；

步骤C2，根据步骤C1对可疑病灶的合并归类，确定进一步重点成像的部位、成像时间和扫描参数，自动选择最优化的扫描参数和规程并实施扫描；

若可选的现有规程无法匹配步骤B提出的进一步检测的扫描区域需求时，基于深度学习技术的图像分析软件基于阈值筛选的规则，选择再次进行侦察扫描并将两次侦察扫描图像合并用于深度学习分析。

如图6所示，首先，对步骤B的检测和分析结果进一步分析，计算提取每一个可疑病灶的尺寸和信噪比，结合临床设定的诊断目标值，确定每个可疑病灶进一步重点成像所需要达到的分辨率和信噪比，将所有可疑病灶按风险评估值排序，并将空间位置相近的病灶归入同一集合。在上述分析的基础上，确定进一步重点成像的部位、成像时间和扫描参数。

对于目前临床主流PET来说，确定成像部位和时间后一般无其他参数可调，一些研究文献提出可以使用高分辨率PET插件探测器，但尚未得到充分临床验证；对于目前临床主流SPECT来说，可调节的参数主要包括两点：首先是更换高分辨率的准直器，从而实现对小尺寸病灶的高分辨率断层成像；其次是根据病灶位置和分布调节采样角的数目，从而优化成像扫描时间，但是稀疏采样角可能引入数据完备性问题，需要图像重建算法配合解决。对于SPECT/CT或PET/CT中的CT模块，其可调节的参数主要为X光球管电流值、探测器模式(部分设备)和螺旋扫描螺距，采用大管电流扫描可以提升CT图像信噪比，采用高分辨率探测器模式和小螺距扫描可以提升CT图像轴向分辨率，但上述两者都会增加病人受辐射剂量。对于PET/MR中的MR模块，可以根据病灶性质和所在位置的解剖结构调整MR序列，从而获得更丰富、全面的病灶信息。按上述方法在现有临床主流SPECT/CT上针对侦察成像的智能检测分析结果实施优化重点采集扫描的图像结果示例如下图7、8所示(与图2、图3相对应)。

在具体实施例中，对于某些病人或受检查者，预设的侦察扫描图像可能难以无法提供足够的信息量以完成进一步重点扫描的决策，分为两种情况：1、基于深度学习技术的图像分析软件无法给出具有足够置信水平的病灶检测结果，但同时又不能确认病灶不存在；2、基于深度学习技术的图像分析软件给出了过于复杂的可以病灶检测结果，以至于进一步重点扫描规划程序无法完成规划或者规划扫描规程过于复杂、时间远远超出一般临床规程水平。针对上述情况，相关算法软件模块会基于阈值筛选的规则(阈值设定和优化通过病人数据集训练完成)，选择再次进行侦察扫描并将两次扫描图像合并用于深度学习算法软件分析或将已完成的侦察扫描图像直接提交设备操作人员审核，人工确定下一步的采集操作。

实施例二

本实施例的基于深度学习的自适应多部位扫描成像系统，应用于以核医学为主的多模态影像设备中，所述以核医学为主的多模态影像设备中嵌入基于深度学习技术的图像分析软件，并包括以下模块：

侦察扫描成像模块，用于针对成像目标物的多个目标部位进行单一模态或多模态的侦察扫描成像；

量化评价模块，用于利用基于深度学习技术的图像分析软件对侦察扫描成像模块生成的侦察扫描图像数据进行分析，并结合成像目标检测的相关先验信息，检测出需要进一步重点成像的局部区域，标明其边界，并对其重要性或风险进行量化评价；

选择优化模块，用于根据量化评价模块的检测和分析结果，选择下一步扫描最优化的流程和参数并实施扫描。

优选地，所述以核医学为主的多模态影像设备为SPECT系统、SPECT/CT系统、PET/CT系统、PET/MRI系统或SPECT/MRI系统；所述侦察扫描成像模块采用成像设备所能提供的单一模态扫描或多模态扫描的某一个规程，侦察扫描成像的范围覆盖需扫描的所有目标部位。成像目标物为人或动物，目标部位为潜在发病或需要检查部位，基于深度学习技术的图像分析软件为现有软件。侦察成像时间可以通过病人先验信息如病例资料、其它影像或检测结果等来综合确定，并可以通过调节检查床相对机架的运动速度等相关参数进行调节。侦察扫描成像模块中，采用高灵敏度SPECT准直器或低剂量CT以实现低辐射伤害及快速成像。所述侦察扫描成像模块中，采用SPECT与CT单独或二者结合的技术参数实施多部位的侦察成像规程，侦察扫描成像为平片扫描模式或断层扫描模式

优选地，侦察扫描成像遵循现有临床常规的低辐射伤害及快速成像方法惯例，或根据实际需求和成像目标具体情况，由人为设定或经所述基于深度学习技术的图像分析软件自动评估，延长侦察成像时间至接近但不超过常规正式成像扫描时间；所述延长侦察成像时间为等效通过多次采用相同侦察扫描规程或参数，并将所得图像累加来完成。

优选地，所述量化评价模块具体用于利用基于深度学习技术的图像分析软件，对由2D核医学平片侦察图像或由3D核医学断层侦察图像生成的前后位最大强度投影平片图像分析：利用2D图像深度学习目标检测方法，并借助迁移学习方法预训练模型参数，进一步通过标注的病人图像数据进行细调参数，从而实现对多个典型器官的识别、定位以及一级病灶检测；

和具体用于在一级病灶检测操作完成后，通过引入成像目标的相关先验信息，进一步确定二级病灶检测需要重点分析的区域和对病灶分析加权进行调整；二级病灶检测在上述操作基础上，针对筛选出的重点病灶和有风险区域，采用3D图像深度学习方法进行病灶检测，同时优化器官识别、定位边框的精准度，从而完成二级病灶检测，得出重点病灶和有风险区域的量化评价。

所述基于深度学习技术的图像分析软件可以针对覆盖多器官、多部位的单模态或多模态侦察图像进行分析，确定需进一步重点成像的每个区域的三维空间坐标范围及其重要性或风险量化评估值，并且能够判断出图像数据超出软件分析能力的情况，提示操作人员介入评估。

优选地，所述选择优化模块具体用于根据量化评价模块的检测和分析结果，计算并提取每一个可疑病灶的尺寸和信噪比，结合临床设定的诊断目标值，确定每个可疑病灶进一步重点成像所需要达到的分辨率和信噪比，将所有可疑病灶按风险评估值排序，并将空间位置相近的可疑病灶归入同一集合；

和具体用于根据对可疑病灶的合并归类，确定进一步重点成像的部位、成像时间和扫描参数，自动选择最优化的扫描参数和规程并实施扫描；

若可选的现有规程无法匹配量化评价模块提出的进一步检测的扫描区域需求时，基于深度学习技术的图像分析软件基于阈值筛选的规则，选择再次进行侦察扫描并将两次侦察扫描图像合并用于深度学习分析。

所述选择优化模块根据量化评价模块的检测和分析结果，自动选择最优化的断层成像扫描参数和规程并实施扫描，包括快速全自动选择并更换SPECT准直器(如采用更高分辨率的聚焦型准直器)、确定针对不同重点成像部位的SPECT断层扫描规程与参数(如采样时间分配与采样角范围等)、确定需要行进一步CT成像的重点区域范围和优化采集参数、确定检查床相对机架运动模式设置等。

本实施例的系统包括主机和检查床两个单元，主机单元在轴向分为前后两部分，前端为当前临床主流的螺旋CT，后端为基于全环探测器和多针孔准直器的SPECT，其具体结构组成，如图9至图11所示。本系统在工作过程中，由检查床运送病人穿过螺旋CT孔径(可进行扫描)到达SPECT成像视野中，由病人体内发出的伽马光子，大部分被伽马光子准直器筒的屏蔽部分3和伽马光子屏蔽锥筒2所遮挡吸收，少部分通过大孔径伽马光子准直孔4或小孔径伽马光子准直孔5以及伽马光子屏蔽锥筒的前端通路2a被全环SPECT探测器1探测到，采用多环准直器方案(1a与1b)可以增加本系统的轴向视野、角度采样和伽马光子探测效率。

本SPECT系统与现有SPECT系统最大的区别在于：准直器设计更便于实现自适应成像。对于SPECT系统，如前文所述，更换不同分辨率(灵敏度、视野)的准直器是实现自适应成像的重要手段，但现有的SPECT系统中，即便某些具备全自动更换准直器功能，操作也较为复杂，耗时较多，并且需要病人离开检查床，大大降低了自适应成像的精度和临床实用性。本系统中，可以通过一个轴向运动机构，控制伽马光子准直器筒自动化并精准的沿设备的轴向运动，从而使不同类型的准直孔与伽马光子屏蔽锥筒的前端通路2a对齐，实现不同的准直性能，进而优化自适应成像的分辨率、灵敏度等参数，如图11所示。

在本发明的一些示例中，可采用如下方式应用图9所示的系统，首先控制伽马光子准直器筒，是其大孔径针孔与伽马光子屏蔽锥筒的前端通路2a对齐，在此调节下通过控制检查床相对主机运动，实现病人多部位的高灵敏度侦察成像，并应用前述深度学习图像分析软件对侦察扫描图像进行分析，检测可疑病灶的位置并进行量化风险评估，基于分析结果设计进一步重点扫描的规程，控制准直器轴向运动，使小孔径针孔与伽马光子屏蔽锥筒前端通路对齐，从而实现针对某一个感兴趣区的高分辨率聚焦成像。需要说明的是，虽然图11中仅给出两种准直器排布的示意方案，但本方案在实际应用中，可以根据不同临床需求设计多组准直器孔设计方案，并且探测器也不局限于二环，可以进行从一环到多环的灵活排布，上述示例和配图说明不应理解为对本发明的限制。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的自适应多部位扫描成像方法，应用于以核医学为主的多模态影像设备中，其特征在于，包括以下步骤：

步骤A，针对成像目标物的多个目标部位进行单一模态或多模态的侦察扫描成像；

步骤B，利用基于深度学习技术的图像分析软件对步骤A中的侦察扫描图像数据进行分析，并结合成像目标检测的相关先验信息，检测出需要进一步重点成像的局部区域，标明其边界，并对其重要性或风险进行量化评价；

步骤C，根据步骤B的检测和分析结果，选择下一步扫描最优化的流程和参数并实施扫描。

2.根据权利要求1所述的基于深度学习的自适应多部位扫描成像方法，其特征在于：所述以核医学为主的多模态影像设备为SPECT系统、SPECT/CT系统、PET/CT系统、PET/MRI系统或SPECT/MRI系统；所述步骤A中，侦察扫描成像采用成像设备所能提供的单一模态扫描或多模态扫描的某一个规程，侦察扫描成像的范围覆盖需扫描的所有目标部位。

3.根据权利要求1所述的基于深度学习的自适应多部位扫描成像方法，其特征在于：在步骤A中，侦察扫描成像遵循现有临床常规的低辐射伤害及快速成像方法惯例，或根据实际需求和成像目标具体情况，由人为设定或经所述基于深度学习技术的图像分析软件自动评估，延长侦察成像时间至接近但不超过常规正式成像扫描时间；

所述延长侦察成像时间为等效通过多次采用相同侦察扫描规程或参数，并将所得图像累加来完成。

4.根据权利要求1所述的基于深度学习的自适应多部位扫描成像方法，其特征在于，所述步骤B具体为：

步骤B1，利用基于深度学习技术的图像分析软件，对由2D核医学平片侦察图像或由3D核医学断层侦察图像生成的前后位最大强度投影平片图像分析：利用2D图像深度学习目标检测方法，并借助迁移学习方法预训练模型参数，进一步通过标注的病人图像数据进行细调参数，从而实现对多个典型器官的识别、定位以及一级病灶检测；

步骤B2,在一级病灶检测操作完成后，通过引入成像目标的相关先验信息，进一步确定二级病灶检测需要重点分析的区域和对病灶分析加权进行调整；二级病灶检测在上述操作基础上，针对筛选出的重点病灶和有风险区域，采用3D图像深度学习方法进行病灶检测，同时优化器官识别、定位边框的精准度，从而完成二级病灶检测，得出重点病灶和有风险区域的量化评价。

5.根据权利要求1所述的基于深度学习的自适应多部位扫描成像方法，其特征在于，所述步骤C具体为：

步骤C1，根据步骤B的检测和分析结果，计算并提取每一个可疑病灶的尺寸和信噪比，结合临床设定的诊断目标值，确定每个可疑病灶进一步重点成像所需要达到的分辨率和信噪比，将所有可疑病灶按风险评估值排序，并将空间位置相近的可疑病灶归入同一集合；

步骤C2，根据步骤C1对可疑病灶的合并归类，确定进一步重点成像的部位、成像时间和扫描参数，自动选择最优化的扫描参数和规程并实施扫描；

若可选的现有规程无法匹配步骤B提出的进一步检测的扫描区域需求时，基于深度学习技术的图像分析软件基于阈值筛选的规则，选择再次进行侦察扫描并将两次侦察扫描图像合并用于深度学习分析。

6.一种基于深度学习的自适应多部位扫描成像系统，应用于以核医学为主的多模态影像设备中，其特征在于，所述以核医学为主的多模态影像设备中嵌入基于深度学习技术的图像分析软件，并包括以下模块：

侦察扫描成像模块，用于针对成像目标物的多个目标部位进行单一模态或多模态的侦察扫描成像；

量化评价模块，用于利用基于深度学习技术的图像分析软件对侦察扫描成像模块生成的侦察扫描图像数据进行分析，并结合成像目标检测的相关先验信息，检测出需要进一步重点成像的局部区域，标明其边界，并对其重要性或风险进行量化评价；

选择优化模块，用于根据量化评价模块的检测和分析结果，选择下一步扫描最优化的流程和参数并实施扫描。

7.根据权利要求6所述的基于深度学习的自适应多部位扫描成像系统，其特征在于：所述以核医学为主的多模态影像设备为SPECT系统、SPECT/CT系统、PET/CT系统、PET/MRI系统或SPECT/MRI系统；所述侦察扫描成像模块采用成像设备所能提供的单一模态扫描或多模态扫描的某一个规程，侦察扫描成像的范围覆盖需扫描的所有目标部位。

8.根据权利要求6所述的基于深度学习的自适应多部位扫描成像系统，其特征在于：侦察扫描成像遵循现有临床常规的低辐射伤害及快速成像方法惯例，或根据实际需求和成像目标具体情况，由人为设定或经所述基于深度学习技术的图像分析软件自动评估，延长侦察成像时间至接近但不超过常规正式成像扫描时间；

所述延长侦察成像时间为等效通过多次采用相同侦察扫描规程或参数，并将所得图像累加来完成。

9.根据权利要求6所述的基于深度学习的自适应多部位扫描成像系统，其特征在于：所述量化评价模块具体用于利用基于深度学习技术的图像分析软件，对由2D核医学平片侦察图像或由3D核医学断层侦察图像生成的前后位最大强度投影平片图像分析：利用2D图像深度学习目标检测方法，并借助迁移学习方法预训练模型参数，进一步通过标注的病人图像数据进行细调参数，从而实现对多个典型器官的识别、定位以及一级病灶检测；

和具体用于在一级病灶检测操作完成后，通过引入成像目标的相关先验信息，进一步确定二级病灶检测需要重点分析的区域和对病灶分析加权进行调整；二级病灶检测在上述操作基础上，针对筛选出的重点病灶和有风险区域，采用3D图像深度学习方法进行病灶检测，同时优化器官识别、定位边框的精准度，从而完成二级病灶检测，得出重点病灶和有风险区域的量化评价。

10.根据权利要求6所述的基于深度学习的自适应多部位扫描成像系统，其特征在于：所述选择优化模块具体用于根据量化评价模块的检测和分析结果，计算并提取每一个可疑病灶的尺寸和信噪比，结合临床设定的诊断目标值，确定每个可疑病灶进一步重点成像所需要达到的分辨率和信噪比，将所有可疑病灶按风险评估值排序，并将空间位置相近的可疑病灶归入同一集合；

和具体用于根据对可疑病灶的合并归类，确定进一步重点成像的部位、成像时间和扫描参数，自动选择最优化的扫描参数和规程并实施扫描；

若可选的现有规程无法匹配量化评价模块提出的进一步检测的扫描区域需求时，基于深度学习技术的图像分析软件基于阈值筛选的规则，选择再次进行侦察扫描并将两次侦察扫描图像合并用于深度学习分析。