一种基于DSN的动态双示踪PET重建方法技术

本发明专利技术公开了一种基于DSN的动态双示踪PET重建方法，能够在同时注射两种示踪剂的情况下重建出两种示踪剂的浓度分布图，并对噪声有较好的鲁棒性。该PET重建方法通过深层堆叠网络实现了混合示踪剂动态PET浓度分布图像的重建，其主要的实现过程为先用混合示踪剂的浓度分布图像作为输入，并结合玻尔兹曼机对网络进行预训练；接着进一步结合单示踪剂真值作为标签以及误差函数对网络进行隐性堆叠微调，得到训练好的模型。这种预先训练网络并结合隐性堆叠微调的训练方式，可以令网络在输入维度上拥有更大的特征窗口，从而学习到更鲁棒的特征，最终实现准确的图像重建。

A Dynamic Double Tracer PET Reconstruction Method Based on DSN

【技术实现步骤摘要】
一种基于DSN的动态双示踪PET重建方法
本专利技术属于PET成像
，具体涉及一种基于DSN(深层堆叠网络)的动态双示踪PET重建方法。
技术介绍
正电子发射断层成像(Positronemissiontomography，PET)是非侵入活体分子成像的一种，广泛运用于肿瘤、神经系统、心脏等医学领域。PET主要采用对不同生理功能变化敏感的放射性同位素标记的示踪剂进行成像，这些示踪剂主要涉及葡萄糖、蛋白质以及核酸等大分子物质，常用的放射性同位素有18F、11C、13N等，从而使得PET能够在分子层面提供有关脏器的生理功能信息，譬如葡萄糖代谢、血流灌注、乏氧以及细胞增殖等，为疾病的早期诊断和预防提供有效信息。鉴于疾病的复杂性，需要多角度、多方位的刻画脏器的生理或病理特征，因此使用多种示踪剂来进行PET扫描成像十分必要。传统的PET扫描成像中，各个示踪剂独立注射扫描成像，不可避免的带来扫描时间延长、各示踪剂浓度分布图像的时空配准以及费用增加等问题。因此单次扫描-同时注射双示踪PET扫描成像技术亟需发展，而PET成像过程中不同示踪剂发生衰变产生的伽马光子对能量相同，都为511KeV，无法从能量角度上对两种示踪剂信号进行区分。目前双示踪PET图像重建主要有两类：一类是利用示踪剂先验信息以及间隔注射来区分不同示踪剂的信号；另一类则利用深度学习以数据驱动方式来对分离不同示踪剂图像。前一类方法通常存在以下问题：(1)要求示踪剂具有不同的半衰期或不同的放射性同位素；(2)需要预先构造好的动力学模型，对新示踪剂可能不适用；(3)仅使用简单的线性模型来拟合示踪剂信号；(4)需特定的示踪剂对。以上问题降低了这类方法的实际可行性，并且这类方法通常需要搭配间隔注射来辅助分离，进一步延长了扫描时间，同时还导致分离后的两种示踪剂图像需要额外时空配准。后一类方法目前主要有基于自编码器的双示踪分离算法，然而该模型只使用了普通的梯度下降算法来更新模型参数，使得学习到的特征表达对噪声的鲁棒性不够，从而限制了分离精度的提高。
技术实现思路
鉴于上述，本专利技术提供了一种基于DSN的动态双示踪PET重建方法，能够在同时注射两种示踪剂的情况下重建出两种示踪剂的浓度分布图，并对噪声有较好的鲁棒性。一种基于DSN的动态双示踪PET重建方法，包括如下步骤：(1)向生物组织同时注入示踪剂I和示踪剂II并进行动态PET探测，得到对应不同时刻的符合计数向量，进而组成用以反映双示踪剂混合分布情况的动态符合计数序列Ydual；(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，分别得到两种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YI和YII；(3)利用PET图像重建算法计算出动态符合计数序列Ydual、YI和YII所对应的动态PET图像序列Xdual、XI和XII；(4)使Xdual、XI和XII组成作为一个样本，根据步骤(1)～(3)重复执行多次以得到大量样本，进而将所有样本分为训练集和测试集；(5)提取训练集样本中Xdual、XI和XII基于各像素点的TAC，使训练集样本中Xdual的TAC作为深层堆叠网络的输入，训练集样本中XI和XII的TAC作为深层堆叠网络输出的真值标签，通过对该深层堆叠网络进行训练得到动态双示踪剂PET重建模型；(6)提取测试集样本中Xdual基于各像素点的TAC输入至所述动态双示踪剂PET重建模型中，模型输出得到对应两种单示踪剂动态PET图像序列各像素点的TAC，进而将这些TAC组合成示踪剂I和示踪剂II对应的动态PET图像序列XI和XII。进一步地，所述步骤(4)中将所有样本分为训练集和测试集，两个集合互不重复且训练集与测试集的样本比例大于二分之一。进一步地，所述步骤(5)中根据以下表达式提取训练集样本中Xdual、XI和XII基于各像素点的TAC：其中：为训练集样本的Xdual中对应第1～n个像素点的TAC，为训练集样本的XI中对应第1～n个像素点的TAC，为训练集样本的XII中对应第1～n个像素点的TAC，n为PET图像的像素总数，T表示转置。进一步地，所述步骤(5)中对深层堆叠网络进行训练的具体过程如下：5.1构建一个由输入层、隐藏层和输出层依次连接组成的深度神经网络，并初始化该神经网络的参数包括学习率、迭代次数以及层与层之间的偏置向量和权值矩阵；5.2取训练集样本中Xdual第j个像素点对应的TAC输入至深度神经网络中，通过计算输出该像素点对应两种单示踪剂的TAC输出结果计算与真值标签之间的误差函数，进而根据误差函数通过梯度下降法对神经网络中层与层之间的偏置向量和权值矩阵进行修正更新；其中，为训练集样本中XI第j个像素点对应的TAC，为训练集样本中XI第j个像素点对应的TAC，j为自然数且1≤j≤n，n为PET图像的像素总数；5.3根据步骤5.2迭代执行多次，深度神经网络的输入层由两部分组成：一部分为训练集样本中Xdual的TAC，另一部分为输出层的结果即前一次迭代对应两种单示踪剂的TAC输出结果，初始化的反馈输入为0，从而使得相邻两次迭代之间的深度神经网络形成隐性堆叠，堆叠层数由迭代次数决定；5.4在当前迭代内，根据步骤5.2～5.3批量将训练集样本中Xdual的TAC输入至深度神经网络中进行训练以更新网络参数，直至遍历完训练集样本中所有的TAC；在经过一定迭代次数后即隐性堆叠一定层数后，取平均误差函数L最小时所对应的深度神经网络隐性堆叠成深层堆叠网络作为动态双示踪剂PET重建模型。进一步地，所述步骤5.1中深度神经网络层与层之间的偏置向量和权值矩阵初始化由受限玻尔兹曼机(RestrictedBoltzmannMachine，RBM)预训练完成。进一步地，所述平均误差函数L的表达式如下：其中：b为每一批次输入至深层堆叠网络中的TAC数量，和分别为每一批次中第i个TAC输入至深层堆叠网络中计算得到对应两种单示踪剂的TAC输出结果，和分别为每一批次中第i个TAC对应两种单示踪剂的TAC真值标签，||||2表示2范数。本专利技术通过深层堆叠网络实现了混合示踪剂动态PET浓度分布图像的重建，其主要的实现过程为先用混合示踪剂的浓度分布图像作为输入，并结合玻尔兹曼机对网络进行预训练；接着进一步结合单示踪剂真值作为标签以及误差函数对网络隐性堆叠微调，得到训练好的模型。这种预先训练网络并结合隐性堆叠微调的训练方式，可以令网络在输入维度上拥有更大的特征窗口，从而学习到更鲁棒的特征，最终实现准确的图像重建。附图说明图1为本专利技术DSN的结构示意图。图2为复杂大脑模板图像。图3(a)为11C-DTBZ第10帧的真实浓度分布图像。图3(b)为11C-DTBZ第10帧且重建算法为ML-EM的预测图像。图3(c)为11C-DTBZ第10帧且重建算法为ADMM的预测图像。图4(a)为11C-FMZ第10帧的真实浓度分布图像。图4(b)为11C-FMZ第10帧且重建算法为ML-EM的预测图像。图4(c)为11C-FMZ第10帧且重建算法为ADMM的预测图像。图5(a)为11C-DTBZ重建算法为ADMM所有帧数下预测结果的bias-variance关系图。图5(b)为11C-DTB本文档来自技高网...

【技术保护点】
1.一种基于DSN的动态双示踪PET重建方法，包括如下步骤：(1)向生物组织同时注入示踪剂I和示踪剂II并进行动态PET探测，得到对应不同时刻的符合计数向量，进而组成用以反映双示踪剂混合分布情况的动态符合计数序列Y

【技术特征摘要】
1.一种基于DSN的动态双示踪PET重建方法，包括如下步骤：(1)向生物组织同时注入示踪剂I和示踪剂II并进行动态PET探测，得到对应不同时刻的符合计数向量，进而组成用以反映双示踪剂混合分布情况的动态符合计数序列Ydual；(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，分别得到两种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YI和YII；(3)利用PET图像重建算法计算出动态符合计数序列Ydual、YI和YII所对应的动态PET图像序列Xdual、XI和XII；(4)使Xdual、XI和XII组成作为一个样本，根据步骤(1)～(3)重复执行多次以得到大量样本，进而将所有样本分为训练集和测试集；(5)提取训练集样本中Xdual、XI和XII基于各像素点的TAC，使训练集样本中Xdual的TAC作为深层堆叠网络的输入，训练集样本中XI和XII的TAC作为深层堆叠网络输出的真值标签，通过对该深层堆叠网络进行训练得到动态双示踪剂PET重建模型；(6)提取测试集样本中Xdual基于各像素点的TAC输入至所述动态双示踪剂PET重建模型中，模型输出得到对应两种单示踪剂动态PET图像序列各像素点的TAC，进而将这些TAC组合成示踪剂I和示踪剂II对应的动态PET图像序列XI和XII。2.根据权利要求1所述的动态双示踪PET重建方法，其特征在于：所述步骤(4)中将所有样本分为训练集和测试集，两个集合互不重复且训练集与测试集的样本比例大于二分之一。3.根据权利要求1所述的动态双示踪PET重建方法，其特征在于：所述步骤(5)中根据以下表达式提取训练集样本中Xdual、XI和XII基于各像素点的TAC：其中：为训练集样本的Xdual中对应第1～n个像素点的TAC，为训练集样本的XI中对应第1～n个像素点的TAC，为训练集样本的XII中对应第1～n个像素点的TAC，n为PET图像的像素总数，T表示转置。4.根据权...

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