一种PET重建图像优化方法及系统技术方案

本发明专利技术提供了一种PET重建图像优化方法及系统，旨在解决现有的PET重建图像会产生伪影，从而造成的PET重建图像质量低的问题。该方法首先对有伪影的PET图像样本进行训练学习，构建出深度卷积神经网络，将待处理的有伪影的PET重建图像输入该深度卷积神经网络，经过层层运算提取并输出伪影图像；最后将该伪影图像从有伪影的PET重建图像中去除，即可得到去除伪影的、高质量的、优化的PET重建图像。

【技术实现步骤摘要】
一种PET重建图像优化方法及系统
本专利技术属于PET成像
，尤其涉及一种PET重建图像优化方法及系统。
技术介绍
正电子发射断层成像(PositronEmissionTomography,PET)是一种发射型成像技术，PET成像技术是实现分子水平显像的最佳途径之一，其为医学上的临床诊断、治疗和愈后监测、以及新药研究、开发研制等提供了十分有力的分析手段。由于低剂量采样得到的测量数据比用正常剂量采样得到的测量数据具有更低的信噪比，因此为了降低测量数据的信噪比，目前医学上大多采用低计数采样方法，如：减少探测器晶体数目或减少放射性药物使用量。然而，针对低剂量采样、欠采样或稀疏采样得到的测量数据，使用现有传统的PET图像重建算法会产生严重的伪影，影响重建图像的质量，尤其在临床上，这些伪影将会直接影响医生的诊断行为。
技术实现思路
本专利技术提供了一种PET重建图像优化方法及系统，旨在解决现有的PET重建图像会产生伪影，从而造成的PET重建图像质量低的问题。为解决上述技术问题，本专利技术提供了一种PET重建图像优化方法，所述方法包括：对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非本文档来自技高网...

【技术保护点】
一种PET重建图像优化方法，其特征在于，所述方法包括：对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络；利用所述深度卷积神经网络最后一层的输出图像以及预设训练方法，对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的无伪影的PET图像样本组成...

【技术特征摘要】
1.一种PET重建图像优化方法，其特征在于，所述方法包括：对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络；利用所述深度卷积神经网络最后一层的输出图像以及预设训练方法，对若干个PET图像样本对进行训练，得到样本伪影特征的卷积核权重以及卷积核偏置参数并输入至所述深度卷积神经网络；其中，每个所述PET图像样本对由一个所述有伪影的PET图像样本和与所述有伪影的PET图像样本对应的无伪影的PET图像样本组成；将有伪影的PET重建图像输入所述深度卷积神经网络，以提取并输出伪影图像；计算所述有伪影的PET重建图像与所述伪影图像的差值以去除伪影图像，得到优化的PET重建图像。2.如权利要求1所述的方法，其特征在于，所述深度卷积神经网络共包括M*N层，所述M*N层分为M段，每段包括N层，且每段中的N层具有相同的卷积核大小和卷积核个数。3.如权利要求2所述的方法，其特征在于，所述对有伪影的PET图像样本依次进行卷积运算、批标准化运算和非线性激活运算操作以组成一层网络，并得到输出图像；将输出图像作为下一层的输入图像，重复执行所述卷积运算、批标准化运算和非线性激活运算操作以组成若干层网络，经过若干层网络堆叠构建出深度卷积神经网络具体包括：步骤A：将有伪影的PET图像样本的每个像素按照二维矩阵方式排布后输入图像输入至所述深度卷积神经网络；步骤B：利用下述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像；其中，S表示卷积输出图像，i,j表示有伪影的PET图像样本的像素位置，I表示有伪影的PET图像样本，K表示有伪影的PET图像样本的卷积核，a,b分别表示有伪影的PET图像样本的卷积核的宽和高；步骤C：利用下述批标准化运算公式(2)对所述卷积输出图像进行计算，得到批标准化运算输出图像；其中，H′表示批标准化运算输出图像，H等于所述卷积运算的卷积输出图像S，μ表示卷积输出图像S的像素的均值，σ表示卷积输出图像S的像素的标准差；步骤D：利用下述非线性激活运算公式(3)对批标准化运算输出图像进行计算，得到非线性整流输出图像；f(h)＝max{0,h}(3)其中，f(h)表示非线性整流的输出图像，h等于所述批标准化运算输出图像H′；步骤F：令R＝R+1，R的初始值为1，R表示所述深度卷积神经网络的第R层，将所述步骤D得到的非线性整流输出图像作为输入图像，返回执行步骤B至步骤D，直至R＝M*N-1，得到非线性整流的输出图像；步骤G：当R＝M*N时，将步骤F中，R为第M*N-1层得到的非线性整流输出图像作为输入图像，利用所述卷积运算公式(1)对所述输入图像进行计算，得出卷积输出图像，以完成对所述深度卷积神经网络的构建。4.如权利要求1所述的方法，其特征在于，所述预设训练方法为适应性矩估计算法。5.如权利要求1所述的方法，其特征在于，所述有伪影的PET重建图像的大小为512*512像素。6.一种PET重建图像优化系统...

【专利技术属性】
技术研发人员：胡战利，孙峰毅，杨永峰，梁栋，刘新，郑海荣，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44