散射校正方法、PET成像方法、装置、设备及存储介质与流程

散射校正方法、pet成像方法、装置、设备及存储介质
技术领域
1.本发明涉及医疗技术领域，具体涉及一种散射校正方法、pet成像方法、装置、设备及存储介质。


背景技术：

2.正电子发射计算机断层扫描(pet扫描)是一种检测人体或动物体器官代谢特征的无创医学成像技术，具有灵敏度高、准确性好、定位准确的特点。
3.飞行时间技术正电子发射断层成像(tof-pet)扫描仪是核医学成像中的一种先进的功能成像工具，其应用前景已经受到核医学成像研究者和设备制造厂商的高度重视。在最新的tof-pet扫描仪中，虽然相对于传统2d和扩展2d数据采集模式，对所有倾斜响应线的符合计数采集提高了系统的灵敏度，但同时也引入了大量的散射符合计数，从而降低了系统的分辨率和成像的定量准确性，因此，为了提高tof-pet成像的准确性，需要先进行散射校正。
4.在传统的散射重建中，通常采用未经过散射校正的重建图像作为示踪剂分布图像，结合衰减图像，估计初步的散射投影域分布，并以此为初步散射估计，重建出新的示踪剂分布图像；如此反复迭代数次直至散射分布收敛。迭代过程需要反复的重建图像和进行散射估计，因而非常耗时。


技术实现要素：

5.本发明的目的在于克服上述技术不足，提供一种散射校正方法、pet成像方法、装置、设备及存储介质，解决现有技术中tof-pet成像时散射校正耗时长的技术问题。
6.为达到上述技术目的，本发明采取了以下技术方案：
7.第一方面，本发明提供一种散射校正方法，包括如下步骤：
8.获取目标对象在扫描期间的tof-pet数据和衰减图像；
9.基于所述tof-pet数据获取tof信息的反投影图像；
10.基于所述反投影图像和所述衰减图像，获取tof-pet成像的散射估计；
11.基于所述tof-pet成像的散射估计对所述tof-pet数据进行散射校正。
12.在其中一些实施例中，所述基于所述反投影图像和所述衰减图像，获取tof-pet成像的散射估计，包括：
13.将所述衰减图像和所述反投影图像输入至训练完备的第一训练模型中，以得到示踪剂分布图像；
14.基于所述示踪剂分布图像和所述衰减图像，获取所述tof-pet成像的散射估计。
15.在其中一些实施例中，所述散射校正方法还包括：
16.获取第一训练集并构建第一初始训练模型，其中，所述第一训练集包括若干个第一目标参数以及若干组与所述第一目标参数对应的第一输入参数，所述第一输入参数为反投影图像以及与其对应的衰减图像，所述第一目标参数为示踪剂分布图像；
17.采用所述第一训练集对所述第一初始训练模型进行训练，以得到训练完备的第一训练模型。
18.在其中一些实施例中，所述第一训练模型为机器学习模型或者深度学习模型。
19.在其中一些实施例中，所述获取目标对象在扫描期间的tof-pet数据和衰减图像之后，所述基于所述tof-pet数据获取tof信息的反投影图像之前还包括：
20.对所述tof-pet数据进行预校正处理。
21.第二方面，本发明还提供一种pet成像方法，包括如下步骤：
22.获取目标对象在扫描期间的tof-pet数据和静态图像，其中，所述静态图像通过如上所述的散射校正方法进行散射校正后获取；
23.基于所述tof-pet数据获取tof信息的反投影图像；
24.将所述静态图像和所述反投影图像输入训练完备的第二训练模型中，以得到pet重建图像。
25.在其中一些实施例中，所述pet成像方法还包括：
26.获取第二训练集并构建第二初始训练模型，其中，所述第二训练集包括若干个第二目标参数以及若干组与第二目标参数对应的第二输入参数，所述第二输入参数为静态图像以及反投影图像，所述第二目标参数为pet重建图像；
27.采用第二训练集对所述第二初始训练模型进行训练，以得到训练完备的第二训练模型。
28.第三方面，本发明还提供一种散射校正装置，包括：
29.初始数据获取模块，用于获取目标对象在扫描期间的tof-pet数据和衰减图像；
30.反投影图像获取模块，用于基于所述tof-pet数据获取tof信息的反投影图像；
31.散射估计获取模块，用于基于所述反投影图像和所述衰减图像，获取tof-pet成像的散射估计；
32.散射校正模块，用于基于所述tof-pet成像的散射估计对所述tof-pet数据进行散射校正。
33.第四方面，本发明还提供一种电子设备，包括：处理器和存储器；
34.所述存储器上存储有可被所述处理器执行的计算机可读程序；
35.所述处理器执行所述计算机可读程序时实现如上所述的散射校正方法或者pet成像方法中的步骤。
36.第五方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的散射校正方法或者pet成像方法中的步骤。
37.与现有技术相比，本发明提供的散射校正方法、pet成像方法、装置、设备及存储介质，首先获取目标对象在扫描期间的tof-pet数据和衰减图像，然后对tof-pet数据进行反投影处理得到tof信息的反投影图像，之后再根据该反投影图像与衰减图像获取散射估计，最后根据散射估计对tof-pet数据进行散射校正，从而能够有效的减少用于散射估计的迭代次数，在加快散射校正速度的同时，保证散射估计的准确性。在pet成像时，采用经过散射校正的静态图像和反投影图像结合进行pet重建成像，经过散射校正的静态图像给动态的tof-pet数据提供了散射校正核，因此，在进行pet成像时，可以加快图像重建的速度，而且
通过对第二训练模型的训练，在进行重建时，可直接将静态图像和反投影图像输入至第二训练模型中后，得到pet重建图像，进而可以进一步加快图像重建的速度。
附图说明
38.图1是本发明提供的散射校正方法的一实施例的流程图；
39.图2是本发明提供的pet成像方法的一实施例的流程图；
40.图3是本发明提供的散射校正装置的一实施例的示意图；
41.图4是本发明提供的pet成像装置的一实施例的示意图；
42.图5是本发明计算机程序的一实施例的运行环境示意图。
具体实施方式
43.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
44.本发明所涉及的散射校正方法、pet成像方法、装置、设备或计算机可读存储介质可用于正电子发射计算机断层显像-x射线计算机断层造影多模态混合系统(pet-ct系统)、正电子发射型断层显像-磁共振成像系统(pet-mri系统)等医学成像系统中。本发明所涉及的方法、装置、设备或者计算机可读存储介质既可以与上述系统集成在一起，也可以是相对独立的。
45.本实施例中提供了一种散射校正方法，可由pet-ct设备、pet-mri设备等医学成像设备执行，具体可由该设备的一个或者多个处理器执行。图1是本发明实施例提供的散射校正方法的流程图，请参阅图1，散射校正方法包括如下步骤：
46.s110、获取目标对象在扫描期间的tof-pet数据和衰减图像；
47.s120、基于tof-pet数据获取tof信息的反投影图像；
48.s130、基于反投影图像和衰减图像，获取tof-pet成像的散射估计；
49.s140、基于tof-pet成像的散射估计对tof-pet数据进行散射校正。
50.本实施例中，首先获取目标对象在扫描期间的tof-pet数据和衰减图像，然后对tof-pet数据进行反投影处理得到tof信息的反投影图像，之后再根据该反投影图像与衰减图像获取散射估计，最后根据散射估计对tof-pet数据进行散射校正，从而能够有效的减少用于散射估计的迭代次数，在加快散射校正速度的同时，保证散射估计的准确性。
51.在一些实施例中，步骤s110中，tof-pet数据可以包括符合事件数据和tof信息。本实施例中，符合事件数据指的是与响应线对应的符合事件数据，其可以为按响应线的角度和径向距离编码形成的矩阵图。符合事件数据也可称为pet投影数据。符合事件数据包括真符合数据、散射符合事件数据及随机符合事件数据。符合事件数据可以用于重建受检者体内造影剂的空间分布并获取扫描图像。优选的，tof-pet数据的数据格式可以为正弦图格式(sinogram)，还可以为列表格式(list mode)。列表格式可以是将探测到的事件信息以数据流的形式依次记录，数据中可包括光子入射晶体条编号、光子能量和光子飞行时间信息。正弦图格式是将每条响应线上发生的符合事件数进行合并存储而形成的一种数据存储形式。上述tof信息可以通过pet探测器检测得到，并且其可以用概率密度函数表示。
carlo simulation，mcs)，双散射模拟法(double scatter simulation，dss)或者剩余估计法(residualestimation approach)等估计方法来获取散射估计，本发明对此不做限定，获取的散射估计可供tof图像或者non-tof的重建使用。其中，产生的散射估计可以为sinogram(正弦图格式)数据、list-mode(列表格式)数据等相关投影域数据格式。
59.在一些实施例中，为了提高散射估计的准确性，并快速的进行散射估计，步骤s130包括：
60.将衰减图像和反投影图像输入至训练完备的第一训练模型中，以得到示踪剂分布图像；
61.基于示踪剂分布图像和衰减图像，获取tof-pet成像的散射估计。
62.本实施例中，通过训练模型来进行示踪剂分布图像的生成，通过第一训练模型得到的示踪剂分布图像用于进行散射校正，而且已经经过初步散射校正，因此在后续的散射校正步骤中，可以有效减少用于散射估计的迭代次数，保证散射估计的准确性。为了保证第一训练模型能够较好的根据tof信息的反投影图像和衰减图像获取示踪剂分布图像，需要先对第一训练模型进行训练。
63.在本发明的一些实施例中，建立第一训练模型的具体过程为：首先通过算法建立初始模型，然后基于历史示踪剂分布图像、历史反投影图像以及与其对应的衰减图像对初始模型进行训练，训练完成后，即可得到第一训练模型，根据第一训练模型即可通过输入的反投影图像及其对应的衰减图像，输出示踪剂分布图像。
64.优选的，散射校正方法还包括：
65.获取第一训练集并构建第一初始训练模型，其中，第一训练集包括若干个第一目标参数以及若干组与第一目标参数对应的第一输入参数，第一输入参数为反投影图像以及与其对应的衰减图像，第一目标参数为示踪剂分布图像；
66.采用第一训练集对第一初始训练模型进行训练，以得到训练完备的第一训练模型。
67.本实施例中，用于训练的第一训练集中的每个个体都包括两个第一输入参数和一个第一目标参数，两个第一输入参数即为反投影图像以及与其对应的衰减图像，其中，反投影图像和衰减图像可通过步骤s110至步骤s120的方法获取，第一目标参数为示踪剂分布图像，该图像可以采用有序子集最大期望值重建算法(ordered subsets expectation maximization，osem)获取，有序子集最大期望值重建算法是一种pet图像重建的方法，其具体实现过程为：将全部投影数据分成多个子集，每使用一个子集的数据，全部像素被更新一次，成为一次子迭代，所有子集轮流使用一遍，完成一次迭代。每一次迭代会使图像收敛一些，多次迭代后得到重建图像，该重建图像更接近真实值。因此，本发明实施例中，将反投影图像以及与其对应的衰减图像作为第一初始训练模型的输入，将经过示踪剂分布图像作为第一初始训练模型的输出来进行模型训练，相当于模型自动学习了投影域的散射分布，进行了初步散射估计，故可以快速进行散射估计，训练完成后，可直接通过反投影图像以及与其对应的衰减图像得到真实的示踪剂分布图像，相较于现有技术，有效的减少了散射估计所需的迭代次数。而且，衰减图像提供的是物理上会发生散射的物质分布，能够增加训练数据的信息量。此外，由于传统的散射校正是基于衰减图和示踪剂分布图像的，故而本发明实施例中加入衰减图像作为输入，给训练网络增加了额外的信息量，易于网络的学习，最终加
强了训练网络的鲁棒性。
68.在一些实施例中，第一训练模型为机器学习模型或者深度学习模型。第一初始训练模型也对应为机器学习模型或者深度学习模型。其中，机器学习模型可以包括但不限于线性回归模型、岭回归模型、支持向量回归模型、支持向量机、决策树、全连接神经网络、循环神经网络等。深度学习模型可以包括但不限于深度信念网络(deep belief networks，dbn)、卷积神经网络(convolution neural networks，cnn)、递归神经网络(recurrent neural networks，rnn)、循环神经网(recurrent neural networks,rnn)、生成式对抗网络(gan,generativeadversarial networks)等等。在本发明的具体实施例中，第一训练模型的网络结构可为2du-net、3du-net、u-net++、u-net3+、v-net中的任意一种。当然，在其它的实施例中，还可采用其它的模型来实现本发明功能，本发明对此不做限定。
69.应当理解的是，深度学习模型可以是能够从已有数据(历史医疗图像)中学习到一定的知识和能力用于处理新数据，并可以被设计用于执行各种任务，在本发明的实施例中用于进行示踪剂分布图像的生成。
70.在一些实施例中，第一训练模型可以为头部训练模型，对应的衰减图像为头部衰减图像，第一训练模型也可以为体部训练模型，对应的衰减图像为体部衰减图像，其中，体部训练模型的参数与头部训练模型的参数可能有所区别或者能够共用，其具体实现方式可根据实际需求而定，本发明实施例对此不做限定。
71.当通过第一训练模型得到示踪剂分布图像后，可根据衰减图像和示踪剂分布图像来获取tof-pet成像的散射估计，在同一扫描中，无明显运动影响时，衰减图像保持不变。因此可以提取散射校正核，用于动态多帧图像的重建。在一些实施例中，可选用单散射模拟法(single scatter simulation，sss),蒙特卡洛模拟法(monte-carlo simulation，mcs)或者双散射模拟法(double scatter simulation，dss)等估计方法来获取散射估计，本发明对此不做限定，获取的散射估计可供tof图像或者non-tof的重建使用。其中，产生的散射估计可以为sinogram(正弦图格式)数据、list-mode(列表格式)数据等相关投影域数据格式。
72.步骤s140是为了对tof-pet数据进行散射校正，具体通过散射估计数据可以来校正tof-pet数据。由于tof-pet散射估计接近真实值，可有效提高重建获得的tof-pet图像精度。
73.本发明实施例中，采用tof信息直接反投影得到反投影图像，该方法速度快，通量高，可以做到实时成像。通过第一训练模型，构建反投影图像到真实示踪剂分布图像的转换模型，从而根据每次生成的反投影图像快速准确的估计用于散射的示踪剂分布图像。该方法能够有效减少用于散射估计的迭代次数，保证散射估计的准确性。
74.基于上述散射校正方法，本发明实施例还提供一种pet成像方法，请参阅图2，pet成像方法包括如下步骤：
75.s210、获取目标对象在扫描期间的tof-pet数据和静态图像；
76.s220、基于tof-pet数据获取tof信息的反投影图像；
77.s230、将静态图像和反投影图像输入训练完备的第二训练模型中，以得到pet重建图像。
78.在一些实施例中，静态图像是经过如上述各实施例所述的散射校正方法获取的静态图像，由于上文已对散射校正方法进行详细描述，在此不再赘述。
79.在一些实施例中，静态图像还可通过传统的方法获取，具体实施时，采用不包含散射校正的重建图像作为初始的示踪剂分布图像，结合衰减图像，估计初步的散射投影域分布，并以此为初步散射估计进行下一次包含散射估计的图像重建，重建出新的示踪剂分布图像；如此反复迭代数次直至散射分布收敛后，重建出静态图像。
80.本实施例提供的pet重建方法，采用静态图像和tof-pet数据结合进行pet重建成像，静态图像已经过散射校正，故可以给tof-pet反投影图像提供散射校正核，因此，在进行pet成像时，可以加快图像重建的速度，而且通过对第二训练模型的训练，在进行重建时，可直接将静态图像和反投影图像输入至第二训练模型中后，得到pet重建图像，进而可以进一步加快图像重建的速度。
81.在一些实施例中，步骤s210中，静态图像是扫描期间获取的，静态图像指常规临床用于诊断而重建的图像，扫描时间较长。举例来说，假如是动态扫描的持续时间为30min，可以看成是由多张静态图像按照时序连在一起形成的，每张静态图像扫描时间为2min或更长的时间，我们可选择一段2min或更长时间的静态扫描图像作为模型输入。其中，静态图像一般都是指做了散射校正的图像，可直接用于pet图像的重建。
82.步骤s220是通过获取原始tof-pet数据后，转换为反投影图像。在一些实施例中，为了保证减少原始数据中的散射数据，增加散射校正的精准度和速度，在获取tof-pet数据之前，还对tof-pet数据进行预校正处理，预校正处理的过程包括但不限于随机校正、归一化校正和散射初步校正，其中，随机校正是指把随机数据投影到图像域。归一化校正是利用pet设备，对一个均匀源进行采集，采集到足够量的数据后，对数据进行统计分析，形成探测器单元的效率因子，然后在tof-pet数据采集时，探测器采集的数据乘以探测器单元的效率因子，实现归一化校正。散射初步校正指把不同能量谱所对应的散射投影数据投影至图像域。
83.步骤s230是用于通过训练模型来进行pet图像重建，重建速度快。为了保证第二训练模型能够获取更加精准的重建图像，需要先对第二训练模型进行训练，在本发明的一些实施例中，建立第二训练模型的具体过程为：首先通过算法建立初始模型，然后基于传统pet重建图像、历史反投影图像以及静态图像对初始模型进行训练，训练完成后，即可得到第二训练模型，根据第二训练模型即可通过输入的反投影图像及静态图像，输出pet重建图像。其中，用于训练的静态图像可采用传统方法或者如上述各实施例所述的散射校正方法获取，作为模型输入。
84.优选的，pet成像方法还包括：
85.获取第二训练集并构建第二初始训练模型，其中，第二训练集包括若干个第二目标参数以及若干组与第二目标参数对应的第二输入参数，第二输入参数为静态图像以及反投影图像，第二目标参数为pet重建图像；
86.采用第二训练集对第二初始训练模型进行训练，以得到训练完备的第二训练模型。
87.本实施例中，用于训练的第二训练集中的每个个体都包括两个第二输入参数和一个第二目标参数，两个第二输入参数即为静态重建图像以及反投影图像，其中，静态图像以及反投影图像可通过步骤s210至步骤s220的方法获取，第二目标参数为pet重建图像，该pet重建图像可以采用传统的重建方法获取。因此，本发明实施例中，将静态图像以及反投
影图像作为第二初始训练模型的输入，将传统的pet重建图像作为第二初始训练模型的输出来进行模型训练，相当于模型自动学习了pet重建的过程，可直接通过静态图像以及反投影图像得到pet重建图像，相较于现有技术，加快了重建的速度。
88.在一些实施例中，第二训练模型为机器学习模型或者深度学习模型。第二初始训练模型也对应为机器学习模型或者深度学习模型。其中，机器学习模型可以包括但不限于线性回归模型、岭回归模型、支持向量回归模型、支持向量机、决策树、全连接神经网络、循环神经网络等。深度学习模型可以包括但不限于深度信念网络(deep belief networks，dbn)、卷积神经网络(convolution neural networks，cnn)、递归神经网络(recurrent neural networks，rnn)、循环神经网(recurrent neural networks,rnn)、生成式对抗网络(gan,generativeadversarial networks)等等。在本发明的具体实施例中，第一训练模型的网络结构可为2du-net、3du-net、u-net++、u-net3+、v-net中的任意一种。当然，在其它的实施例中，还可采用其它的模型来实现本发明功能，本发明对此不做限定。
89.应当理解的是，深度学习模型可以是能够从已有数据(历史医疗图像)中学习到一定的知识和能力用于处理新数据，并可以被设计用于执行各种任务，在本发明的实施例中用于进行pet重建图像的生成。
90.需要说明的是，本发明实施例提供的pet成像方法可以用于实现动态图像的重建，动态图像可以看成是由多张静态图像按照时序连在一起形成的，因此在进行动态图像的重建时，将每一帧反投影图像以及静态图像依次输入第二训练模型中，得到的多帧pet重建图像即为动态重建图像。
91.基于上述散射校正方法，本发明实施例还相应的提供一种散射校正装置300，请参阅图3，该散射校正装置300包括初始数据获取模块310、第一反投影图像获取模块320、散射估计获取模块330和散射校正模块340。
92.初始数据获取模块310用于获取目标对象在扫描期间的tof-pet数据和衰减图像。
93.第一反投影图像获取模块320用于基于tof-pet数据获取tof信息的反投影图像。
94.散射估计获取模块330用于基于反投影图像和衰减图像，获取tof-pet成像的散射估计。
95.散射校正模块340用于基于tof-pet成像的散射估计对tof-pet数据进行散射校正。
96.本实施例中，首先获取目标对象在扫描期间的tof-pet数据和衰减图像，然后对tof-pet数据进行反投影处理得到tof信息的反投影图像，之后再根据该反投影图像与衰减图像获取散射估计，最后根据散射估计对tof-pet数据进行散射校正，从而能够有效的减少用于散射估计的迭代次数，在加快散射校正速度的同时，保证散射估计的准确性。
97.在一些实施例中，散射估计获取模块包括示踪剂分布图像获取单元和散射估计单元。
98.示踪剂分布图像获取单元用于将衰减图像和反投影图像输入至训练完备的第一训练模型中，以得到示踪剂分布图像；
99.散射估计单元用于基于示踪剂分布图像和衰减图像，获取tof-pet成像的散射估计。
100.在一些实施例中，散射校正装置300还包括第一训练模块，第一训练模块用于：
101.获取第一训练集并构建第一初始训练模型，其中，第一训练集包括若干个第一目标参数以及若干组与第一目标参数对应的第一输入参数，第一输入参数为反投影图像以及与其对应的衰减图像，第一目标参数为示踪剂分布图像；
102.采用第一训练集对所述第一初始训练模型进行训练，以得到训练完备的第一训练模型。
103.在一些实施例中，第一训练模型为机器学习模型或者深度学习模型。
104.在一些实施例中，散射校正装置300还包括预校正模块，预校正模块用于对tof-pet数据进行预校正处理。
105.基于上述散射校正方法、装置以及pet成像方法，本发明实施例还相应的提供一种pet成像装置400，请参阅图4，该pet成像装置400包括静态图像获取模块410、第二反投影图像获取模块420和重建模块430。
106.静态图像获取模块410用于获取目标对象在扫描期间的tof-pet数据和静态图像；
107.第二反投影图像获取模块420用于基于tof-pet数据获取tof信息的反投影图像。
108.重建模块430用于将静态图像和反投影图像输入训练完备的第二训练模型中，以得到pet重建图像。
109.本实施例中，静态图像获取模块410既可通过上述各实施例中所述的散射估计校正进行tof-pet数据的散射校正后获取静态图像，亦可通过传统方法来获取静态图像。本实施例中，采用经过散射校正后获取的静态图像和反投影图像结合进行pet重建成像，经过散射校正后获取的静态图像给动态的tof-pet数据提供了散射校正核，因此，在进行pet成像时，可以加快图像重建的速度，而且通过对第二训练模型的训练，在进行重建时，可直接将静态图像和反投影图像输入至第二训练模型中后，得到pet重建图像，进而可以进一步加快图像重建的速度。
110.在一些实施例中，pet成像装置400还包括第二训练模块，第二训练模块用于：
111.获取第二训练集并构建第二初始训练模型，其中，第二训练集包括若干个第二目标参数以及若干组与第二目标参数对应的第二输入参数，第二输入参数为静态图像以及反投影图像，第二目标参数为pet重建图像；
112.采用第二训练集对第二初始训练模型进行训练，以得到训练完备的第二训练模型。
113.在一些实施例中，第二训练模型为机器学习模型或者深度学习模型。
114.如图5所示，基于上述散射校正方法、pet成像方法，本发明还相应提供了一种电子设备，该电子设备可以是医学成像系统的控制装置、移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。图5仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
115.存储器20在一些实施例中可以是该电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器20在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器20还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于电子设备的应用软件及各类数据，例如
安装电子设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有计算机程序40，该计算机程序40可被处理器10所执行，从而实现本技术各实施例的散射校正方法或者pet成像方法。
116.处理器10在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行散射校正方法或者pet成像方法等。
117.显示器30在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器30用于显示在所述电子设备的信息以及用于显示可视化的用户界面。电子设备的部件处理器10、存储器20及显示器30通过系统总线相互通信。
118.在一实施例中，当处理器10执行存储器20中计算机程序40时实现以下步骤：
119.获取目标对象在扫描期间的tof-pet数据和衰减图像；
120.基于tof-pet数据获取tof信息的反投影图像；
121.基于反投影图像和衰减图像，获取tof-pet成像的散射估计；
122.基于tof-pet成像的散射估计对tof-pet数据进行散射校正。
123.在一实施例中，当处理器10执行存储器20中计算机程序40时还实现以下步骤：
124.将衰减图像和反投影图像输入至训练完备的第一训练模型中，以得到示踪剂分布图像；
125.基于示踪剂分布图像和衰减图像，获取tof-pet成像的散射估计。
126.在一实施例中，当处理器10执行存储器20中计算机程序40时还实现以下步骤：
127.获取第一训练集并构建第一初始训练模型，其中，所述第一训练集包括若干个第一目标参数以及若干组与第一目标参数对应的第一输入参数，第一输入参数为反投影图像以及与其对应的衰减图像，第一目标参数为示踪剂分布图像；
128.采用第一训练集对第一初始训练模型进行训练，以得到训练完备的第一训练模型。
129.在一实施例中，第一训练模型为机器学习模型或者深度学习模型。
130.在一实施例中，当处理器10执行存储器20中计算机程序40时还实现以下步骤：
131.对tof-pet数据进行预校正处理。
132.在一实施例中，当处理器10执行存储器20中计算机程序40时还实现以下步骤：
133.获取目标对象在扫描期间的tof-pet数据和静态图像；
134.基于tof-pet数据获取tof信息的反投影图像；
135.将静态图像和反投影图像输入训练完备的第二训练模型中，以得到pet重建图像。
136.在一实施例中，当处理器10执行存储器20中计算机程序40时还实现以下步骤：
137.获取第二训练集并构建第二初始训练模型，其中，所述第二训练集包括若干个第二目标参数以及若干组与第二目标参数对应的第二输入参数，第二输入参数为静态图像以及反投影图像，第二目标参数为pet重建图像；
138.采用第二训练集对所述第二初始训练模型进行训练，以得到训练完备的第二训练模型。
139.在一实施例中，第二训练模型为机器学习模型或者深度学习模型。
140.综上所述，本发明提供的散射校正方法、pet成像方法、装置、设备及存储介质，首先获取目标对象在扫描期间的tof-pet数据和衰减图像，然后对tof-pet数据进行反投影处理得到tof信息的反投影图像，之后利用训练好的第一训练模型对衰减图像和反投影图像进行计算，得到示踪剂分布图像，此示踪剂分布图像即为经过初步散射校正后的真实示踪剂分布图像，之后再根据该示踪剂分布图像与衰减图像获取散射估计，最后根据散射估计对tof-pet数据进行散射校正，从而能够有效的减少用于散射估计的迭代次数，在加快散射校正速度的同时，保证散射估计的准确性。在pet成像时，采用经过散射校正的静态图像和反投影图像结合进行pet重建成像，经过散射校正的静态图像给动态的tof-pet数据提供了散射校正核，因此，在进行pet成像时，可以加快图像重建的速度，而且通过对第二训练模型的训练，在进行重建时，可直接将静态图像和反投影图像输入至第二训练模型中后，得到pet重建图像，进而可以进一步加快图像重建的速度。
141.当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
142.以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。