基于梯度域的低剂量PET图像重建方法、装置、设备及介质制造方法及图纸

本发明专利技术适用医学PET成像技术领域，提供了一种基于梯度域的低剂量PET图像重建方法、装置、设备及介质，该方法包括：根据PET设备采集到的投影数据以及该PET设备的系统矩阵，通过PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像，根据初始重建PET图像，采用拉格朗日乘法将预先构建的图像重建方程和预先构建的梯度域图像特征选取方程进行联合优化求解，得到初始重建PET图像对应的目标重建PET图像，从而提高了低剂量PET图像的重建速度，且降低重建图像的伪影程度，进而提高了低剂量PET图像重建的图像质量。

Low Dose PET Image Reconstruction Method, Device, Equipment and Media Based on Gradient Domain

【技术实现步骤摘要】
基于梯度域的低剂量PET图像重建方法、装置、设备及介质
本专利技术属于医学PET成像
，尤其涉及一种基于梯度域的低剂量PET图像重建方法、装置、设备及介质。
技术介绍
正电子发射断层成像(PositronEmissionTomography，简称PET)是一种发射型成像技术(EmissionTomography，简称ET)，它通过把放射性药物注入体内的方法来显示不同组织的新陈代谢情况。PET技术是继计算机断层成像(ComputedTomography，简称CT)和磁共振成像(MagneticResonanceImaging，简称MRI)之后应用于临床的一种新型影像技术，PET技术在肿瘤学、心血管疾病学、神经系统疾病研究、以及新药开发研究等领域中显示出卓越的性能。在PET成像中，放射性药物实际上是个分子载体，它依附于特定的生理组织或病理过程。放射性物质在药物的带领下在人体内有目的的分布。PET成像的目的实际上就是得到放射性物质在人体内部的分布图，它的工作原理是：将一些放射性核元素，如O-15、C-11、N-13和F-18等标记在人体代谢所需的化合物上，然后通过手臂静脉血管注射等方本文档来自技高网...

【技术保护点】
1.一种基于梯度域的低剂量PET图像重建方法，其特征在于，所述方法包括下述步骤：当接收到低剂量PET图像的重建请求时，获取通过PET设备采集到的投影数据，并获取所述PET设备的系统矩阵；根据所述投影数据以及所述系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像；根据所述初始重建PET图像，采用拉格朗日乘法将预先构建的图像重建方程和预先构建的梯度域图像特征选取方程进行联合优化求解，得到所述初始重建PET图像对应的目标重建PET图像。

【技术特征摘要】
1.一种基于梯度域的低剂量PET图像重建方法，其特征在于，所述方法包括下述步骤：当接收到低剂量PET图像的重建请求时，获取通过PET设备采集到的投影数据，并获取所述PET设备的系统矩阵；根据所述投影数据以及所述系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像；根据所述初始重建PET图像，采用拉格朗日乘法将预先构建的图像重建方程和预先构建的梯度域图像特征选取方程进行联合优化求解，得到所述初始重建PET图像对应的目标重建PET图像。2.如权利要求1所述的方法，其特征在于，采用拉格朗日乘法将预先构建的图像重建方程和预先构建的梯度域图像特征选取方程进行联合优化求解的步骤，包括：采用Bregman迭代方法对由所述图像重建方程和所述梯度域图像特征选取方程联立的拉格朗日方程进行迭代求解。3.如权利要求2所述的方法，其特征在于，采用Bregman迭代方法对所述拉格朗日方程进行迭代求解的步骤，包括：采用Bregman迭代方法将所述拉格朗日方程分解为梯度图像更新函数、迭代误差校正函数、PET图像重建函数、以及特征提取函数，以对梯度图像更新函数、迭代误差校正函数、PET图像重建函数、以及特征提取函数进行迭代求解，得到所述初始重建PET图像对应的目标重建PET图像。4.如权利要求3所述的方法，其特征在于，采用Bregman迭代方法对所述拉格朗日方程进行迭代求解的步骤，包括：根据预设的初始特征矩阵和预设的初始特征向量，使用所述梯度图像更新函数对所述初始重建PET图像对应的梯度图像进行更新；根据更新后的所述梯度图像和所述迭代误差校正函数得到的误差校正值，使用所述PET图像重建函数将所述梯度图像从梯度域中恢复到图像域，得到目标重建PET图像；判断当前迭代次数是否达到预设的迭代阈值；是则，输出所述目标重建PET图像；否则，将所述目标重建PET图像设置为所述初始重建PET图像，并根据预设的图像块提取矩阵，从所述初始重建PET图像对应的梯度图像中提取对应数量的图像块，所述梯度图像包括水平梯度图像和垂直梯度图像；对所述图像块进行特征学习，直至学习得到的所述梯度图像对应的特征矩阵和所述图像块对应的特征向量满足所述特征提取函数；将所述特征矩阵和所述特征向量分别设置为所述初始特征矩阵和所述初始特征向量，并跳转至使用所述梯度图像更新函数对所述梯度图像进行更新的步骤。5.如权利要求3所述的方法，其特征在于，所述特征提取函数为且s.t.||αl||0≤L，其中，Rl为所述图像块提取矩阵，即根据所述Rl从所述梯度图像ω中提取l个图像块，D为所述特征矩阵，αl为第l个图像块对应的特征向量，ω(i)表示所述初始重建PET图像对应的水平/垂直梯度图像，i∈{1,2}表示所述梯度图像ω的方向(水平/垂直)，L表示对所述特征向量的稀疏度的控制系数，k为所述当前迭代次数。6.如权利要求3所述的方法，其特征在于，所述梯度图像更新函数其中，v2表示Bregman迭代中控制迭代误差的权重，b为Bregman迭代的误差校正值。7.如权利要求3所述的方法，其特征在于，所述迭代误差校正函数8.如权利要求3...

【专利技术属性】
技术研发人员：胡战利，杨永峰，李快，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