一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法技术

本发明专利技术公开了一种基于栈式自编码器的双示踪剂动态PET浓度分布图像重建的方法。该方法首次将深度学习的思想引入双示踪剂动态PET浓度分布图像重建中，其过程主要可以分为两个阶段：训练和重建。在训练阶段，将双示踪剂的浓度分布图作为输入，两种示踪剂的浓度分布图作为标签对自编码器进行训练，进而构建栈式自编码器。在重建阶段，将双示踪剂的浓度分布图输入到训练好的栈式自编码器中即可重建出两种示踪剂的浓度分布图。本发明专利技术从数据驱动的角度实现了双示踪剂动态PET浓度分布图像的重建，有效地解决了重建效果差和不能同时注射示踪剂等问题。

A stack based on self encoder hybrid image reconstruction method of dynamic tracer concentration distribution PET

The invention discloses a method for double tracer concentration distribution of PET image reconstruction based on a dynamic stack from encoder. For the first time, the idea of depth learning is introduced into the image reconstruction of double tracer dynamic PET concentration distribution. The process can be divided into two stages: training and reconstruction. In the training phase, the concentration distribution of double tracer as input, the concentration distribution of two kinds of tracer as labels on training from the encoder, then construct the stack from the encoder. In the reconstruction phase, the concentration of the double tracer distribution map input trained encoder can be reconstructed from the stack of two kinds of tracer concentration distribution. The invention realizes the reconstruction of the double tracer dynamic PET concentration distribution image from the angle of data drive, and effectively solves the problems of poor reconstruction effect and simultaneous injection of tracers.

【技术实现步骤摘要】
一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法
本专利技术属于PET成像
，具体涉及一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法。
技术介绍
正电子发射断层成像(Positronemissiontomography，PET)是核医学成像的重要方法之一，被广泛应用于肿瘤学，神经病学等其他领域，在医学研究和临床诊断中起着非常重要的作用。PET能够从分子水平上观察细胞的代谢活动，为疾病的早期诊断和预防提供有效依据。在PET成像扫描过程中，示踪剂在人体内的组织中发生衰变，衰变过程中所产生的正电子与附近的负电子发生湮灭反应，产生一对方向相反，能量为511kev的伽马光子，这对光子被环形探测器所纪录下来生成投影数据。通过一些数学方法对投影数据进行反演即可重建出人体内示踪剂的空间浓度分布。为了获得更多的病人的生理信息，混合示踪剂成像成为了PET成像研究中的一个重要课题。传统的方法需要对每种示踪剂进行独立注射，独立扫描以及独立成像，这无疑增加了病人的时间，费用和安全隐患。因此，双注入—单扫描是处理PET混合示踪剂成像中比较合理的技术。然而，由于每种示踪剂发生衰变时所产生的伽马光子能量都为511kev，这使得硬件上无法直接分离每种示踪剂所产生的计数光子。传统上，对混合示踪剂PET浓度分布图像重建往往采用直接拟合和动力学参数估计的方法。前一类的方法主要是采用某些数学方法对时间活度曲线(TAC)进行直接拟合，计算速度快，但是重建的图像品质差。后一类的方法结合了双房室模型，通过估计k参数从而拟合TAC曲线，计算复杂。此外，这些算法需要两种示踪剂注射时间相差一定的间隔(10—20分钟)，通过对单注射时的TAC曲线进行分析计算，才能获得第二种示踪剂的TAC曲线。换句话说，这些算法并不适用于在两种示踪剂同时注射的情况下重建出两种示踪剂的PET浓度分布图像。
技术实现思路
针对上述技术问题，本专利技术提供了一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法，能够在两种示踪剂同时注射的情况下很好地重建出两种示踪剂的PET浓度分布图像。一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法，包括如下步骤：(1)将两种示踪剂注入到生物组织中，利用探测器对注有放射性药剂的生物组织进行探测，采集得到对应不同时刻的符合计数向量，构建组成对应混合示踪剂动态PET的符合计数矩阵Y、对应第一种示踪剂动态PET的符合计数矩阵Y1以及对应第二种示踪剂动态PET的符合计数矩阵Y2；(2)根据符合计数矩阵Y、Y1和Y2，利用PET成像原理通过ML-EM算法求解得到对应混合示踪剂的动态PET浓度分布图像X、对应第一种示踪剂的动态PET浓度分布图像X1以及对应第二种示踪剂的动态PET浓度分布图像X2；然后将不同帧的PET浓度分布图像按照像素点顺序排列，得到混合示踪剂PET浓度分布图像中像素点的动态浓度真值向量集x和双示踪剂合并后PET浓度分布图像中像素点的动态浓度真值向量集o，将x和o组成作为训练集；其中，x中的每个向量作为神经网络的训练样本，o中的每个向量作为训练样本所对应的真值标签；(3)用训练集训练多个自编码器，级联组成栈式自编码器，然后再用训练集对栈式自编码器进行微调，得到PET浓度分布图像重建模型；(4)利用步骤(1)的方法采集得到新符合计数矩阵，然后根据步骤(2)得到新混合示踪剂的动态PET浓度分布图像，并将新混合示踪剂的不同帧的PET浓度分布图像按照像素点顺序排列作为测试集最后将测试集输入到PET浓度分布图像重建模型中，重建得到两种示踪剂的动态PET浓度分布图像。在步骤(1)中，所述的混合示踪剂是多种示踪剂混合得到的，本专利技术中，混合示踪剂是由两种失踪剂得到的。在步骤(2)中，所述的PET成像原理基于以下关系式：Y＝GX+noise其中：G为系统矩阵，Y为符合计数矩阵，X为PET浓度分布图像，noise为测量噪声矩阵，测量噪声矩阵包括反射符合事件和散射符合事件。在步骤(2)中，对不同帧的PET浓度分布图像按照像素点顺序排列的具体方法为：首先，将动态PET浓度分布图像X、X1和X2中的像素数据排列成如下形式：其中，x1为第一种示踪剂PET浓度分布图像中像素点的动态浓度真值向量集，x2为第二种示踪剂PET浓度分布图像中像素点的动态浓度真值向量集，xi对应为混合示踪剂PET浓度分布图像中第i个像素的动态浓度真值向量，对应为第一种示踪剂PET浓度分布图像中第i个像素的动态浓度真值向量，对应为第二种示踪剂PET浓度分布图像中第i个像素的动态浓度真值向量；i为自然数且1≤i≤m2，m×m为图像的分辨率，xi、和的具体表达如下：其中：xji为对应混合示踪剂第j帧PET浓度分布图像中第i个像素的浓度值，为对应第一种示踪剂第j帧PET浓度分布图像中第i个像素的浓度值，为对应第二种示踪剂第j帧PET浓度分布图像中第i个像素的浓度值，j为自然数且1≤j≤k，k为每种示踪剂的PET浓度分布图像的帧数，T表示转置；然后，将x1和x2合并得到o，o中的第i列向量为在步骤(3)中，所述的自编码器由输入层、隐藏层以及输出层所组成，其中，从输入层到隐藏层部分称为编码器，隐藏层到输出层部分称为译码器。所述的栈式自编码器则是由多个自编码器组成，前一个自编码器的隐藏层作为后一个自编码器的输入层。所述的自编码器的函数模型如下：h＝f(Wx+b)p＝f(W′h+b′)其中：x、h和p分别为自编码器的输入层、隐藏层和输出层，f为激活函数，W和b分别为编码器的权重和偏置参数，w'和b'分别为译码器的权重和偏置参数。在步骤(3)中，对栈式自编码器进行训练的具体方法如下：(3-1)训练栈式自编码器中的第一个自编码器：将训练集中的x作为该自编码器的输入层，以该自编码器的输出层与输入层的损失函数L最小为目标，通过反向传播算法和梯度下降法求解出该自编码器输入层与隐含层之间以及隐含层与输出层之间的模型参数；(3-2)训练栈式自编码中除去第一个和最后一个的任一自编码器：将前一个自编码器的隐藏层作为该自编码器的输入层，以该自编码器的输输出层和输入层的损失函数L最小为目标，通过反向传播算法和梯度下降法求解出该自编码器输入层与隐含层之间以及隐含层与输出层之间的模型参数；(3-3)训练栈式自编码器中的最后一个自编码器，将前一个自编码器的隐藏层作为该自编码器的输入层，以训练集中的o与该自编码器输入层的损失函数L'最小为目标，通过反向传播算法和梯度下降法求解出该自编码器输入层与隐含层之间以及隐含层与输出层之间的模型参数；(3-4)将训练集中的x和o作为栈式自编码器的输入层和输出层的真值，再次进行训练，得到PET浓度分布图像重建模型。所述的栈式自编码器的所述的损失函数L和L'的表达式如下：L＝||z-t||2L'＝||o-t||2其中：o为训练样本所对应的真值标签。在步骤(4)中，两种示踪剂的动态PET浓度分布图像重建的具体过程如下：首先，将测试集中的每一列作为PET浓度分布图像重建模型的输入，求解得到栈式自编码器的输出：然后，将重新分解成为：和重建得到两种示踪剂动态PET浓度分布图像。本专利技术将深度学习的思想引入混合示踪剂动态PET浓度分布图像重建中，其过本文档来自技高网...

【技术保护点】
一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法，包括如下步骤：(1)将两种示踪剂注入到生物组织中，利用探测器对注有放射性药剂的生物组织进行探测，采集得到对应不同时刻的符合计数向量，构建组成对应混合示踪剂动态PET的符合计数矩阵Y、对应第一种示踪剂动态PET的符合计数矩阵Y

【技术特征摘要】
1.一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法，包括如下步骤：(1)将两种示踪剂注入到生物组织中，利用探测器对注有放射性药剂的生物组织进行探测，采集得到对应不同时刻的符合计数向量，构建组成对应混合示踪剂动态PET的符合计数矩阵Y、对应第一种示踪剂动态PET的符合计数矩阵Y1以及对应第二种示踪剂动态PET的符合计数矩阵Y2；(2)根据符合计数矩阵Y、Y1和Y2，利用PET成像原理通过ML-EM算法求解得到对应混合示踪剂的动态PET浓度分布图像X、对应第一种示踪剂的动态PET浓度分布图像X1以及对应第二种示踪剂的动态PET浓度分布图像X2；然后将不同帧的PET浓度分布图像按照像素点顺序排列，得到混合示踪剂PET浓度分布图像中像素点的动态浓度真值向量集x和双示踪剂合并后PET浓度分布图像中像素点的动态浓度真值向量集o，将x和o组成作为训练集；其中，x中的每个向量作为神经网络的训练样本，o中的每个向量作为训练样本所对应的真值标签；(3)用训练集训练多个自编码器，级联组成栈式自编码器，然后再用训练集对栈式自编码器进行微调，得到PET浓度分布图像重建模型；(4)利用步骤(1)的方法采集得到新符合计数矩阵，然后根据步骤(2)得到新混合示踪剂的动态PET浓度分布图像，并将新混合示踪剂的不同帧的PET浓度分布图像按照像素点顺序排列作为测试集最后将测试集输入到PET浓度分布图像重建模型中，重建得到两种示踪剂的动态PET浓度分布图像。2.根据权利要求1所述的基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法，其特征在于：所述的对不同帧的PET浓度分布图像按照像素点顺序排列的具体方法为：首先，将动态PET浓度分布图像X、X1和X2中的像素数据排列成如下形式：其中，x1为第一种示踪剂PET浓度分布图像中像素点的动态浓度真值向量集，x2为第二种示踪剂PET浓度分布图像中像素点的动态浓度真值向量集，xi对应为混合示踪剂PET浓度分布图像中第i个像素的动态浓度真值向量，对应为第一种示踪剂PET浓度分布图像中第i个像素的动态浓度真值向量，对应为第二种示踪剂PET浓度分布图像中第i个像素的动态浓度真值向量；i为自然数且1≤i≤m2，m×m为图像的分辨率，xi、和的具体表达如下：其中：xji为对应混合示踪剂第j帧PET浓度分布图像中第i...

【专利技术属性】
技术研发人员：刘华锋，阮东升，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33