一种基于自编码器图像融合的动态PET图像重建方法技术

本发明专利技术公开了一种基于自编码器图像融合的动态PET图像重建方法，该方法借鉴了机器学习中集成学习的思想，将MLEM算法看成弱分类器，通过对不同弱分类器的集成获得一个强分类器，提升PET重建效果；本发明专利技术对已有的MLEM算法进行改进，通过自编码器的结构对不同迭代次数重建结果进行图像融合工作，从而在全局上获得更优的重建结果。与现有的重建方法相比，本发明专利技术取得了更好的重建效果。

【技术实现步骤摘要】

本专利技术属于PET成像
，具体涉及一种基于自编码器图像融合的动态PET图像重建方法。
技术介绍
正电子发射断层成像(PositronEmissionTomography，PET)是核医学领域比较先进的临床检查影像技术，其基本原理是：将一些短寿命的放射性物质，如18F、11C标记到人体代谢中的一些必须物质中，如蛋白质，葡萄糖，核酸等，通过这些物质的代谢来反映人体状况，达到诊断的目的。在代谢过程中，放射性物质的衰变会产生正电子，一个正电子在飞行一段距离后遇到电子会发生湮灭，产生一对方向相反的能量为511KeV的光子，这对光子可以通过高灵敏度的探测器进行捕捉，进而得到发射数据。在得到了发射数据之后，再通过对其重建得到原始状态分布图像。PET图像的质量与重建算法密切相关，传统的重建方法包括基于Radon变换的滤波反投影(filteredbackprojection，FBP)重建方法，近年来，基于统计概率先验知识的方法被不断提出，典型的包括最大似然期望最大法(maximumlikelihood-expectationmaximization，MLEM)和有序子集最大期望(orderedsubsetsexpectationmaximization)，它们从一个初始值出发，通过统计迭代的方法不断求解出两个或者多个隐含变量，进而得到逼近于真值的解。然而，MLEM方法也并非能获得准确的重建结果，由于问题的病态性，所得的结果与迭代次数密切相关。迭代次数过低，求得的解不够精确，具体表现为整个图像较模糊；迭代次数过高，则整个重建图像会出现较多的噪声。如何选取合适的参数成为研究的一个问题。
技术实现思路
针对现有技术所存在的上述技术问题，本专利技术提供了一种基于自编码器图像融合的动态PET图像重建方法，能够通过融合不同MLEM重建结果以及动态PET图像相邻帧之间的有效信息获得更高质量的PET重建图像。一种基于自编码器图像融合的动态PET图像重建方法，包括如下步骤：(1)利用探测器对注入有放射性物质的生物组织进行探测，连续采集得到对应不同时刻的多帧符合计数向量作为训练集；(2)对于训练集中的任一帧符合计数向量，根据PET成像原理通过MLEM算法估计得到对应该帧在各关键迭代次数下的PET浓度分布图像，然后对估计得到的PET浓度分布图像进行分块，进而根据PET浓度分布图像的分块数据组建得到多组训练样本；(3)构建由多个自编码器累加而成的神经网络模型，进而利用所述的训练样本对该神经网络模型进行训练，并最终确立得到PET图像重建模型；(4)根据步骤(1)连续采集得到对应不同时刻的多帧符合计数向量作为测试集；然后根据步骤(2)通过估计得到对应测试集中每一帧符合计数向量在各关键迭代次数下的PET浓度分布图像，进而对估计得到的PET浓度分布图像进行分块；最后将PET浓度分布图像的分块数据输入所述的PET图像重建模型中，从而输出得到对应各帧的PET浓度重建图像。所述的PET成像原理基于以下关系式：yi＝Gxi+ei其中：yi为第i帧符合计数向量，xi为第i帧PET浓度分布图像，ei为第i帧对应的系统噪声向量，G为系统矩阵，表征了发射光子被探测器接收的概率，其由探测器的固有特性所决定，受探测器结构、探测效率、衰减、死时间等因素的影响，i为自然数且1≤i≤N，N为训练集中符合计数向量的帧数。所述的步骤(2)中对估计得到的PET浓度分布图像进行分块的具体方法为：对于PET浓度分布图像中的任一体素，从PET浓度分布图像中截取以该体素为中心大小为n×n的图块作为一组分块数据，依此遍历PET浓度分布图像中的所有体素，得到M组分块数据，M为PET浓度分布图像的体素总个数，n为大于1的自然数。每组训练样本包括输入量和输出量，所述的输入量包括通过估计得到的对应训练集中第i-p帧至第i+p帧符合计数向量yi-p～yi+p在各关键迭代次数下的所有PET浓度分布图像的第j组分块数据，所述的输出量为第i帧符合计数向量yi所对应PET浓度真值图像的第j组分块数据；p为大于0的自然数，j为自然数且1≤j≤M。所述的自编码器由输入层、隐藏层和输出层组成；其中，前一个自编码器的隐藏层为后一个自编码器的输入层；对于任一自编码器，其隐藏层的神经元个数比输入层的神经元个数少。所述自编码器的函数模型如下：h＝σ(wt+b)z＝σ(w'h+b')其中：t、h和z分别为自编码器的输入层、隐藏层和输出层，w和b均为输入层与隐藏层之间的模型参数，w'和b'均为隐藏层与输出层之间的模型参数，σ(s)为神经元函数且s为神经元函数σ(s)的自变量。所述的步骤(3)中对神经网络模型进行训练的具体方法如下：对于神经网络模型中的第一个自编码器，以训练样本的输入量作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；对于神经网络模型中除第一个和最后一个以外的任一自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；对于神经网络模型中的最后一个自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使训练样本的输出量与该自编码器输入层的损失函数L'最小为目标，通过反向传播法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数。所述的损失函数L和L'的表达式如下：L＝||z-t||2L'＝||x-t||2其中：x为训练样本的输出量。所述的步骤(4)中将PET浓度分布图像的分块数据输入PET图像重建模型中从而输出得到对应各帧的PET浓度重建图像，具体过程如下：对于测试集中的第k帧符合计数向量yk，首先将通过估计得到的对应测试集中第k-p帧至第k+p帧符合计数向量yk-p～yk+p在各关键迭代次数下的所有PET浓度分布图像的第j组分块数据输入PET图像重建模型中，从而输出得到对应第j组的分块重建数据；然后将该分块重建数据中所有体素的高斯加权平均值作为对应第k帧PET浓度重建图像的第j个体素值；依此遍历扫描输入每组分块数据即得到对应第k帧的PET浓度重建图像；其中：p为大于0的自然数，k为自然数且1≤k≤K，K为测试集中符合计数向量的帧数，j为自然数且1≤j≤M；根本文档来自技高网...

【技术保护点】
一种基于自编码器图像融合的动态PET图像重建方法，包括如下步骤：(1)利用探测器对注入有放射性物质的生物组织进行探测，连续采集得到对应不同时刻的多帧符合计数向量作为训练集；(2)对于训练集中的任一帧符合计数向量，根据PET成像原理通过MLEM算法估计得到对应该帧在各关键迭代次数下的PET浓度分布图像，然后对估计得到的PET浓度分布图像进行分块，进而根据PET浓度分布图像的分块数据组建得到多组训练样本；(3)构建由多个自编码器累加而成的神经网络模型，进而利用所述的训练样本对该神经网络模型进行训练，并最终确立得到PET图像重建模型；(4)根据步骤(1)连续采集得到对应不同时刻的多帧符合计数向量作为测试集；然后根据步骤(2)通过估计得到对应测试集中每一帧符合计数向量在各关键迭代次数下的PET浓度分布图像，进而对估计得到的PET浓度分布图像进行分块；最后将PET浓度分布图像的分块数据输入所述的PET图像重建模型中，从而输出得到对应各帧的PET浓度重建图像。

【技术特征摘要】
1.一种基于自编码器图像融合的动态PET图像重建方法，包括如下步骤：
(1)利用探测器对注入有放射性物质的生物组织进行探测，连续采集得到
对应不同时刻的多帧符合计数向量作为训练集；
(2)对于训练集中的任一帧符合计数向量，根据PET成像原理通过MLEM
算法估计得到对应该帧在各关键迭代次数下的PET浓度分布图像，然后对估计
得到的PET浓度分布图像进行分块，进而根据PET浓度分布图像的分块数据组
建得到多组训练样本；
(3)构建由多个自编码器累加而成的神经网络模型，进而利用所述的训练
样本对该神经网络模型进行训练，并最终确立得到PET图像重建模型；
(4)根据步骤(1)连续采集得到对应不同时刻的多帧符合计数向量作为
测试集；然后根据步骤(2)通过估计得到对应测试集中每一帧符合计数向量在
各关键迭代次数下的PET浓度分布图像，进而对估计得到的PET浓度分布图像
进行分块；最后将PET浓度分布图像的分块数据输入所述的PET图像重建模型
中，从而输出得到对应各帧的PET浓度重建图像。
2.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的PET
成像原理基于以下关系式：
yi＝Gxi+ei其中：yi为第i帧符合计数向量，xi为第i帧PET浓度分布图像，ei为第i帧对
应的系统噪声向量，G为系统矩阵，i为自然数且1≤i≤N，N为训练集中符合
计数向量的帧数。
3.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的步
骤(2)中对估计得到的PET浓度分布图像进行分块的具体方法为：对于PET
浓度分布图像中的任一体素，从PET浓度分布图像中截取以该体素为中心大小
为n×n的图块作为一组分块数据，依此遍历PET浓度分布图像中的所有体素，
得到M组分块数据，M为PET浓度分布图像的体素总个数，n为大于1的自然
数。
4.根据权利要求3所述的动态PET图像重建方法，其特征在于：每组训练

\t样本包括输入量和输出量，所述的输入量包括通过估计得到的对应训练集中第
i-p帧至第i+p帧符合计数向量yi-p～yi+p在各关键迭代次数下的所有PET浓度分
布图像的第j组分块数据，所述的输出量为第i帧符合计数向量yi所对应PET
浓度真值图像的第j组分块数据；p为大于0的自然数，i为自然数且1≤i≤N，
N为训练集中符合计数向量的帧数，j为自然数且1≤j≤M。
5.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的自
编码器由输入层、隐藏层和输出层组成；其中，前一个自编码器的隐藏层为后
一个自编码器的输入层；对于任一自编码器，其隐藏层的神经元个数比输...

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