基于深度置信网络的相同同位素标记双示踪剂PET分离方法技术

本发明专利技术公开了一种基于深度置信网络的相同同位素标记双示踪剂PET分离方法，其通过建立了对相同同位素标记的放射性示踪剂的混合浓度分布与两种单一的放射性示踪剂浓度分布之间复杂的映射关系来实现对两种分离的PET信号的预测。本发明专利技术基于房室模型和蒙特卡洛方法，选用三组相同放射性核素标记的示踪剂对作为对象，模拟了整个PET从注射到扫描的过程，生成了训练和测试数据，当测试数据输入搭建的通用深度置信网络时，预测结果能够较好地实现对两种单一的放射性示踪剂PET信号的恢复，这验证了用深度置信网络来进行相同同位素标记的双示踪PET信号分离的有效性。

【技术实现步骤摘要】
基于深度置信网络的相同同位素标记双示踪剂PET分离方法
本专利技术属于PET成像
，具体涉及一种基于深度置信网络的相同同位素标记双示踪剂PET分离方法。
技术介绍
PET(positronemissiontomography，正电子发射断层成像)是一种可以检测人体内生理化学活动的诊断性成像技术，它经常被用来对人体的某些特定部位进行功能成像，从而获得该部位的葡萄糖代谢、血流和乏氧等生理指标。这种对人体内不同位置、不同功能成像的实现主要依赖于不同的示踪物质，研究人员将人体内代谢所需的葡萄糖、蛋白质、核酸等生物大分子标记上具有正电子放射性的放射性同位素(最常用的有11C、13N、15O、18F)，就可以制成需要的放射性示踪剂，而放射性物质经过注射或者口服进入人体后，药物会根据某种生理或者病理的作用原理，在体内浓聚，此时药物本身所包含的放射性核素就会发生衰变，产生正电子，正电子遇到人体内游离的电子就会发生湮灭效应，从而产生两个能量同为511keV，运动方向相反的γ光子，γ光子被体外的探测器探测到，进而利用重建算法得恢复出示踪剂在体内的分布情况。然而，对于身体某一特定部位来说，多方面、多角度的检测可以提供更丰富的信息，从不同方面来刻画肿瘤的生理和功能状态也有助于提高诊断准确率，因此双示踪剂PET成像是十分有必要的。为了节约扫描时间，减轻病人痛苦，提高诊断效率，单次扫描双示踪PET动态成像成为亟需解决的关键技术，由于一次湮灭反应产生的是一对511ekV的γ光子，所以不能从能量的角度对这两种示踪剂进行区分。目前主流的双示踪剂PET分离方法主要有两类：(1)对重建出的双示踪剂PET重建图像进行分离；(2)将分离算法融入双示踪剂PET的分离过程中，直接重建出两种放射性示踪剂的浓度分布情况。第一类算法从本质上来说属于信号分离问题，解决方法相对广泛，而第二类算法需要复杂的重建算法来支撑，实用性不强。目前研究人员主要集中在第一类算法上，基于混合的双示踪PET图像进行分离操作主要依赖于示踪剂半衰期和动力学参数的不同，结合房室模型进行求解，而且大部分都需要交错注射两种示踪剂来提供部分非混合的单一示踪剂信息，以方便建模与分离，这就使得整个PET的扫描过程加长。利用相同的同位素标记形成的双示踪剂对在临床中有重要的应用，例如用来检测细胞增殖状况的[18F]FDG+[18F]FLT、衡量神经递质系统的[11C]FMZ+[11C]DTBZ以及用于观察血流和乏氧的[62Cu]ATSM+[62Cu]PTSM。然而，当双示踪剂采用相同的同位素做标记，两种信号的可区分性就减弱了，并且临床要求同时注射两种示踪剂来缩短扫描时间，这使得大部分的算法失效，相同同位素标记的双示踪PET信号分离成为了一个棘手的问题。
技术实现思路
鉴于上述，本专利技术提供了一种基于深度置信网络的相同同位素标记双示踪剂PET分离方法，其借助于深度学习这一强大的特征提取工具，能够精确地从混合的双示踪PET图像中分离出两种单一的示踪剂PET图像。一种基于深度置信网络的相同同位素标记双示踪剂PET分离方法，包括如下步骤：(1)向生物组织注入由相同同位素标记的示踪剂I和示踪剂II所组成的混合双示踪剂并进行动态PET探测，得到对应不同时刻的符合计数向量，进而组成反映混合双示踪剂分布情况的动态符合计数序列Sdual；(2)向生物组织先后注入示踪剂I和示踪剂II并进行动态PET探测，得到两组单示踪剂对应不同时刻的符合计数向量，进而组成分别反映示踪剂I和示踪剂II分布情况的动态符合计数序列SI和SII；(3)利用PET图像重建算法计算出动态符合计数序列Sdual、SI和SII所对应的动态PET图像序列Xdual、XI和XII；(4)根据步骤(1)～(3)重复执行多次，得到大量的动态PET图像序列Xdual、XI和XII并将这些分为训练集和测试集；(5)从动态PET图像序列Xdual、XI和XII中提取各像素点的TAC(time-activitycurve，时间放射性曲线)，使训练集中Xdual的TAC作为输入样本，对应XI和XII中的TAC作为真值，通过深度置信网络进行训练得到双示踪剂PET重建模型；(6)取测试集中任一Xdual的各TAC逐一输入至所述PET重建模型中，输出得到对应XI和XII中的TAC，进而将这些TAC重构得到对应示踪剂I和示踪剂II的动态PET图像序列和进一步地，所述步骤(5)中根据以下表达式从动态PET图像序列Xdual、XI和XII中提取各像素点的TAC：其中：为动态PET图像序列Xdual中第1～n个像素点的TAC，为动态PET图像序列XI中第1～n个像素点的TAC，为动态PET图像序列XII中第1～n个像素点的TAC，n为PET图像的像素总数，T表示矩阵转置。进一步地，所述步骤(5)中通过深度置信网络进行训练的具体过程如下：5.1初始化构建一个由输入层、隐藏层和输出层组成的深度置信网络，所述隐藏层由三个受限玻尔兹曼机堆叠组成；5.2初始化上述深度置信网络的参数，包括隐藏层的单元数目、层与层之间的偏置向量和权值矩阵、学习率、激活函数以及最大迭代次数；5.3对隐藏层中的受限玻尔兹曼机进行预训练；5.4将预训练得到的参数传递给初始化的深度置信网络，进而将动态PET图像序列Xdual中的TAC逐一代入上述深度置信网络，计算输出结果与对应真值之间误差函数L并通过梯度下降法对整个网络的参数不断进行更新，直至误差函数L收敛或达到最大迭代次数，从而完成训练得到双示踪剂PET重建模型。进一步地，所述步骤5.3中对隐藏层中的受限玻尔兹曼机进行预训练，即每个受限玻尔兹曼机由一个显层和一个隐层构成，通过对比散度算法不断更新显层和隐层的权值，直到隐层能精准地表示显层的特征且能够反向还原显层为止。进一步地，所述步骤5.4中误差函数L的表达式如下：其中：为动态PET图像序列XI中第j个像素点的TAC，为动态PET图像序列XII中第j个像素点的TAC，和为动态PET图像序列Xdual中第j个像素点的TAC代入深度置信网络后得到对应XI和XII中的两个输出结果，j为自然数且1≤j≤n，n为PET图像的像素总数，||||2为L2范数，ζ为一自定义常数。进一步地，所述步骤(6)中对于测试集中任一Xdual第j个像素点的TAC，将其输入双示踪剂PET重建模型中，计算得到该像素点关于双示踪剂的TAC输出结果j为自然数且1≤j≤n，n为PET图像的像素总数；根据上述遍历测试集中Xdual所有像素点的TAC，进而根据以下表达式得到对应示踪剂I和示踪剂II的动态PET图像序列和其中：T表示矩阵转置。本专利技术通过基于回归的深度置信网络实现了相同同位素标记的双示踪剂PET的信号分离任务，通过将训练数据与标签值输入搭建的神经网络，学习出混合的双示踪剂PET图像与两个单一示踪剂的PET图像之间点对点的映射关系。值得一提的是，此网络是普适性的，训练集包含了多组示踪剂组合，每一组都是相同同位素标记的，在测试过程中也表现出了对不同示踪剂组合良好的分离能力。总的来说，本专利技术利用深度置信网络搭建了一个普适性的框架，通过强大的特征提取能力建立了一个双示踪PET分离的映射关系，从而完成了具有相同同位素标记的双示踪PET的信号本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的相同同位素标记双示踪剂PET分离方法，包括如下步骤：(1)向生物组织注入由相同同位素标记的示踪剂I和示踪剂II所组成的混合双示踪剂并进行动态PET探测，得到对应不同时刻的符合计数向量，进而组成反映混合双示踪剂分布情况的动态符合计数序列Sdual；(2)向生物组织先后注入示踪剂I和示踪剂II并进行动态PET探测，得到两组单示踪剂对应不同时刻的符合计数向量，进而组成分别反映示踪剂I和示踪剂II分布情况的动态符合计数序列SI和SII；(3)利用PET图像重建算法计算出动态符合计数序列Sdual、SI和SII所对应的动态PET图像序列Xdual、XI和XII；(4)根据步骤(1)～(3)重复执行多次，得到大量的动态PET图像序列Xdual、XI和XII并将这些分为训练集和测试集；(5)从动态PET图像序列Xdual、XI和XII中提取各像素点的TAC，使训练集中Xdual的TAC作为输入样本，对应XI和XII中的TAC作为真值，通过深度置信网络进行训练得到双示踪剂PET重建模型；(6)取测试集中任一X

【技术特征摘要】
1.一种基于深度置信网络的相同同位素标记双示踪剂PET分离方法，包括如下步骤：(1)向生物组织注入由相同同位素标记的示踪剂I和示踪剂II所组成的混合双示踪剂并进行动态PET探测，得到对应不同时刻的符合计数向量，进而组成反映混合双示踪剂分布情况的动态符合计数序列Sdual；(2)向生物组织先后注入示踪剂I和示踪剂II并进行动态PET探测，得到两组单示踪剂对应不同时刻的符合计数向量，进而组成分别反映示踪剂I和示踪剂II分布情况的动态符合计数序列SI和SII；(3)利用PET图像重建算法计算出动态符合计数序列Sdual、SI和SII所对应的动态PET图像序列Xdual、XI和XII；(4)根据步骤(1)～(3)重复执行多次，得到大量的动态PET图像序列Xdual、XI和XII并将这些分为训练集和测试集；(5)从动态PET图像序列Xdual、XI和XII中提取各像素点的TAC，使训练集中Xdual的TAC作为输入样本，对应XI和XII中的TAC作为真值，通过深度置信网络进行训练得到双示踪剂PET重建模型；(6)取测试集中任一Xdual的各TAC逐一输入至所述PET重建模型中，输出得到对应XI和XII中的TAC，进而将这些TAC重构得到对应示踪剂I和示踪剂II的动态PET图像序列和2.根据权利要求1所述的双示踪剂PET分离方法，其特征在于：所述步骤(5)中根据以下表达式从动态PET图像序列Xdual、XI和XII中提取各像素点的TAC：其中：为动态PET图像序列Xdual中第1～n个像素点的TAC，为动态PET图像序列XI中第1～n个像素点的TAC，为动态PET图像序列XII中第1～n个像素点的TAC，n为PET图像的像素总数，T表示矩阵转置。3.根据权利要求1所述的双示踪剂PET分离方法，其特征在于：所述步骤(5)中通过深度置信网络进行训练的具体过程如下：5.1初始化构建...

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