【技术实现步骤摘要】
本专利技术涉及医学成像，具体地，涉及一种发射成像设备及其发射成像方法。
技术介绍
1、计算机断层成像技术是人们在医学成像领域的重大突破，计算机断层成像技术通常应用于发射成像设备。发射成像设备通常包括探测组，探测组整体通常呈环状，故也称为探测环，发射成像设备利用探测组可以对待检体进行扫描成像，获得的图像对于研究疾病的机制、药物分布和生理过程具有重要意义。
2、但是，现有的发射成像设备中，探测组的探测孔径较大时，探测组的中心到探测组上各个探测器的距离较大，这样的发射成像设备对待检体扫描成像的空间分辨率较低，无法满足高空间分辨率的成像需求；探测组的探测孔径较小时，探测组的中心到探测组上各个探测器的距离较小，这样的发射成像设备对待检体扫描成像的灵敏度较低，无法满足高灵敏度的成像需求。因此，亟需一种能够兼顾高空间分辨率和高灵敏度的成像需求的发射成像设备。
技术实现思路
1、为了至少部分地解决现有技术中存在的问题，根据本专利技术的一个方面，提供一种发射成像设备。发射成像设备包括处理器模块和多个探测器，多个探测器与处理器模块分别电连接；多个探测器中的至少部分可调节至探测位置以形成探测组，探测位置包括至少两个不同的位置以形成至少两个探测组，至少两个探测组用于探测获得至少两组不同的探测数据。
2、本专利技术所提供的发射成像设备，由于多个探测器中至少部分可以调整到不同位置形成不同探测组，在需要高灵敏度成像时，发射成像设备可以将全部探测器或部分探测器调整至远离视野中心形成一组探测
3、示例性地，处理器模块具有预先训练生成的深度学习模型，深度学习模型以其中一组探测数据为标签数据进行预训练，处理器模块用于通过深度学习模型对除标签数据外的探测数据进行重建并输出复合图像。
4、示例性地，探测位置包括第一位置和第二位置，多个探测器中的至少部分可调节至第一位置以形成第一探测组，第一探测组用于探测获得第一探测数据；多个探测器中的至少部分可调节至第二位置以形成第二探测组，第二探测组用于探测获得第二探测数据。
5、示例性地，处理器模块具有预先训练生成的第一深度学习模型，处理器模块用于通过第一深度学习模型对第二探测数据进行重建并输出第一复合图像。
6、示例性地，处理器模块具有预先训练生成的第二深度学习模型，处理器模块用于通过第二深度学习模型对第一探测数据进行重建并输出第二复合图像。
7、示例性地，多个探测器具有初始状态，多个探测器在初始状态下绕一中心轴沿周向分布，第一探测组形成在以中心轴为圆心，半径为r1的圆周上。
8、示例性地，第二探测组形成在以中心轴为圆心，半径为r2的圆周上，r2＜r1。
9、示例性地，第一探测组中的探测器数量是第二探测组中的探测器数量的两倍。
10、示例性地，探测位置还包括第三位置，多个探测器中的至少部分可调节至第三位置形成第三探测器，第三探测器与第一探测组中的部分探测器形成第三探测组，第三探测组用于探测获得第三探测数据。
11、示例性地，第一探测组中的探测器形成在以一中心轴为圆心，半径为r1的圆周上，第三探测器形成在以中心轴为圆心，半径为r3的圆周上，r3＜r1。
12、根据本专利技术的另一个方面，提供一种发射成像方法。发射成像方法采用上文中的任一种发射成像设备成像，发射成像方法包括步骤：
13、通过至少两个探测组探测获得至少两组不同的探测数据；
14、基于其中至少一组探测数据分别进行图像重建并输出至少一组图像。
15、示例性地，处理器模块具有预先训练生成的深度学习模型，发射成像方法还包括步骤：
16、通过深度学习模型以其中一组探测数据为标签数据进行预训练；
17、通过深度学习模型对除标签数据外的探测数据进行重建并输出复合图像。
18、示例性地，探测位置包括第一位置和第二位置，多个探测器中的至少部分可调节至第一位置以形成第一探测组，多个探测器中的至少部分可调节至第二位置以形成第二探测组，发射成像方法包括：
19、通过第一探测组探测获得第一探测数据；
20、基于第一探测数据进行图像重建并输出第一图像；或/和，
21、通过第二探测组探测获得第二探测数据；
22、基于第二探测数据进行图像重建并输出第二图像。
23、示例性地，发射成像方法还包括步骤：
24、通过第一探测组探测获得第一初始数据；
25、基于第一初始数据进行图像重建并输出第一初始图像；
26、以第一初始图像作为标签预训练第一深度学习模型；
27、将第二探测数据输入第一深度学习模型并输出第一复合图像。
28、示例性地，发射成像方法还包括步骤：
29、通过第二探测组探测获得第二初始数据；
30、基于第二初始数据进行图像重建并输出第二初始图像；
31、以第二初始图像作为标签预训练第二深度学习模型；
32、将第一探测数据输入第二深度学习模型并输出第二复合图像。
33、示例性地，探测位置包括第三位置，多个探测器中的至少部分可调节至第三位置形成第三探测器，第三探测器与第一探测组中的部分探测器形成第三探测组，发射成像方法还包括步骤：
34、通过第三探测组探测获得第三探测数据；
35、基于第三探测数据进行图像重建并输出第三图像。
36、示例性地，发射成像方法还包括步骤：
37、通过第一探测组探测获得第一初始数据；
38、基于第一初始数据进行图像重建并输出第一初始图像；
39、以第一初始图像作为标签预训练第一深度学习模型；
40、将第三探测数据输入第一深度学习模型并输出第三复合图像。
41、示例性地，所述发射成像方法，还包括步骤：
42、通过第二探测组探测获得第二初始数据；
43、基于第二初始数据进行图像重建并输出第二初始图像；
44、以第二初始图像作为标签预训练第二深度学习模型；
45、将第三探测数据输入第二深度学习模型并输出第四复合图像。
46、在
技术实现思路
中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
47、以下结合附图，详细说明本专利技术的优点和特征。
本文档来自技高网...【技术保护点】
1.一种发射成像设备，其特征在于，包括处理器模块和多个探测器，多个所述探测器与所述处理器模块分别电连接；
2.根据权利要求1所述的发射成像设备，其特征在于，所述处理器模块具有预先训练生成的深度学习模型，所述深度学习模型以其中一组探测数据为标签数据进行预训练，所述处理器模块用于通过所述深度学习模型对除所述标签数据外的所述探测数据进行重建并输出复合图像。
3.根据权利要求1所述的发射成像设备，其特征在于，所述探测位置包括第一位置和第二位置，多个所述探测器中的至少部分可调节至所述第一位置以形成第一探测组，所述第一探测组用于探测获得第一探测数据；多个所述探测器中的至少部分可调节至所述第二位置以形成第二探测组，所述第二探测组用于探测获得第二探测数据。
4.根据权利要求3所述的发射成像设备，其特征在于，所述处理器模块具有预先训练生成的第一深度学习模型，所述处理器模块用于通过所述第一深度学习模型对所述第二探测数据进行重建并输出第一复合图像。
5.根据权利要求3所述的发射成像设备，其特征在于，所述处理器模块具有预先训练生成的第二深度学习模型，所述处
6.根据权利要求3所述的发射成像设备，其特征在于，多个所述探测器具有初始状态，多个所述探测器在所述初始状态下绕一中心轴沿周向分布，所述第一探测组形成在以所述中心轴为圆心，半径为R1的圆周上。
7.根据权利要求6所述的发射成像设备，其特征在于，所述第二探测组形成在以所述中心轴为圆心，半径为R2的圆周上，R2＜R1。
8.根据权利要求3所述的发射成像设备，其特征在于，所述第一探测组中的所述探测器数量是所述第二探测组中的所述探测器数量的两倍。
9.根据权利要求3所述的发射成像设备，其特征在于，所述探测位置还包括第三位置，多个所述探测器中的至少部分可调节至所述第三位置形成第三探测器，所述第三探测器与所述第一探测组中的部分所述探测器形成第三探测组，所述第三探测组用于探测获得第三探测数据。
10.根据权利要求9所述的发射成像设备，其特征在于，所述第一探测组中的所述探测器形成在以一中心轴为圆心，半径为R1的圆周上，所述第三探测器形成在以所述中心轴为圆心，半径为R3的圆周上，R3＜R1。
11.一种发射成像方法，其特征在于，采用如权利要求1-10中任一项所述的发射成像设备成像，包括步骤：
12.根据权利要求11所述的发射成像方法，其特征在于，所述处理器模块具有预先训练生成的深度学习模型，所述发射成像方法还包括步骤：
13.根据权利要求11所述的发射成像方法，其特征在于，所述探测位置包括第一位置和第二位置，多个所述探测器中的至少部分可调节至所述第一位置以形成第一探测组，多个所述探测器中的至少部分可调节至所述第二位置以形成第二探测组，所述发射成像方法包括：
14.根据权利要求13所述的发射成像方法，其特征在于，还包括步骤：
15.根据权利要求13所述的发射成像方法，其特征在于，还包括步骤：
16.根据权利要求13所述的发射成像方法，其特征在于，所述探测位置包括第三位置，多个所述探测器中的至少部分可调节至第三位置形成第三探测器，所述第三探测器与所述第一探测组中的部分所述探测器形成第三探测组，所述发射成像方法还包括步骤：
17.根据权利要求16所述的发射成像方法，其特征在于，还包括步骤：
18.根据权利要求16所述的发射成像方法，其特征在于，还包括步骤：
...【技术特征摘要】
1.一种发射成像设备，其特征在于，包括处理器模块和多个探测器，多个所述探测器与所述处理器模块分别电连接；
2.根据权利要求1所述的发射成像设备，其特征在于，所述处理器模块具有预先训练生成的深度学习模型，所述深度学习模型以其中一组探测数据为标签数据进行预训练，所述处理器模块用于通过所述深度学习模型对除所述标签数据外的所述探测数据进行重建并输出复合图像。
3.根据权利要求1所述的发射成像设备，其特征在于，所述探测位置包括第一位置和第二位置，多个所述探测器中的至少部分可调节至所述第一位置以形成第一探测组，所述第一探测组用于探测获得第一探测数据；多个所述探测器中的至少部分可调节至所述第二位置以形成第二探测组，所述第二探测组用于探测获得第二探测数据。
4.根据权利要求3所述的发射成像设备，其特征在于，所述处理器模块具有预先训练生成的第一深度学习模型，所述处理器模块用于通过所述第一深度学习模型对所述第二探测数据进行重建并输出第一复合图像。
5.根据权利要求3所述的发射成像设备，其特征在于，所述处理器模块具有预先训练生成的第二深度学习模型，所述处理器模块用于通过所述第二深度学习模型对所述第一探测数据进行重建并输出第二复合图像。
6.根据权利要求3所述的发射成像设备，其特征在于，多个所述探测器具有初始状态，多个所述探测器在所述初始状态下绕一中心轴沿周向分布，所述第一探测组形成在以所述中心轴为圆心，半径为r1的圆周上。
7.根据权利要求6所述的发射成像设备，其特征在于，所述第二探测组形成在以所述中心轴为圆心，半径为r2的圆周上，r2＜r1。
8.根据权利要求3所述的发射成像设备，其特征在于，所述第一探测组中的所述探测器数量是所述第二探测组中的所述探测器数量的...
【专利技术属性】
技术研发人员：梁诚，于昕，许剑锋，雷蕊，韩思源，任世杰，谢思维，张义彬，赵智钧，彭旗宇，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。