基于多任务学习三维卷积编解码网络的双示踪剂PET分离方法技术

本发明专利技术公开了一种基于多任务学习三维卷积编解码网络的双示踪剂PET分离方法，该方法通过基于多任务学习三维卷积编解码网络将双示踪剂PET的信号分离任务转化为两种单示踪剂PET重建问题，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正弦图像序列与两个单一示踪剂的PET浓度图像序列之间的关系，从而完成了双示踪PET的信号分离。

Dual tracer pet separation method based on multi task learning 3D convolutional codec network

【技术实现步骤摘要】
基于多任务学习三维卷积编解码网络的双示踪剂PET分离方法
本专利技术属于PET成像
，具体涉及一种基于多任务学习三维卷积编解码网络的双示踪剂PET分离方法。
技术介绍
正电子发射断层成像(Positronemissiontomography，PET)是一种可以检测人体内生理化学活动的诊断性功能成像技术，利用这项技术可以获得人体内目标组织中葡萄糖代谢、血流和乏氧等疾病相关的生理指标。PET的原理是：正电子同位素标记的化合物(示踪剂)经过注射或者口服进入体内，根据人体内部生理或者病理活动的需要，示踪剂在对这种化合物需求高的部位聚集；当放射性核素发生衰变时会发出正电子，正电子遇到人体内游离的负电子就会发生湮灭效应，从而产生两个能量同为511keV，运动方向近似180度的γ光子对，γ光子被体外的探测器探测到，将得到的数据进行校正、重建等处理就能知道示踪剂在体内的空间及时间分布，再根据示踪剂的时空分布进行病理诊断。使用不同的示踪剂能监测不同的生理活动，就能进行不同疾病的诊断，如检测葡萄糖代谢是否旺盛常用[18F]-FDG，检测缺氧程度可以使本文档来自技高网...

【技术保护点】
1.一种基于多任务学习三维卷积编解码网络的双示踪剂PET分离方法，包括如下步骤：/n(1)对同时注入有示踪剂I和示踪剂II的生物组织进行一次动态PET扫描，得到混合双示踪剂对应的PET正弦图序列Y

【技术特征摘要】
1.一种基于多任务学习三维卷积编解码网络的双示踪剂PET分离方法，包括如下步骤：
(1)对同时注入有示踪剂I和示踪剂II的生物组织进行一次动态PET扫描，得到混合双示踪剂对应的PET正弦图序列Ydual，所述示踪剂I和示踪剂II分别由两种放射性核素标记；
(2)对只注入有示踪剂I的生物组织进行动态PET扫描，得到示踪剂I对应的PET正弦图序列YI；间隔示踪剂I的5个半衰期后，对只注入有示踪剂II的生物组织进行动态PET扫描，得到示踪剂II对应的PET正弦图序列YII；
(3)利用PET重建算法计算出YI和YII所对应的PET图像序列XI和XII；
(4)根据步骤(1)～(3)重复执行多次，得到大量的PET正弦图序列Ydual以及PET图像序列XI和XII并将这些分为训练集和测试集；
(5)构建三维卷积编解码网络，将训练集中的Ydual输入该网络，使训练集中对应的XI和XII作为网络输出的真值标签，通过对网络进行训练得到双示踪剂PET分离模型；
(6)将测试集中的Ydual输入上述模型中，即可分离输出得到对应示踪剂I和示踪剂II的PET图像序列XI和XII。


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(1)中对于两种示踪剂的半衰期没有限制，甚至使用相同的放射性核素标记两种示踪剂也能实现较好的分离效果。


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)中的三维卷积编解码网络包括编码和解码两部分，解码部分由两条分支组成分别对应两种示踪剂的重建任务，编码部分从输入至输出由7个卷积层C1～C7依次级联组成，卷积层C1～C7的步长依次为1、2、1、2、1、2、1，卷积层C1～C7中的卷积核大小均为3×3×3，卷积层C1～C7中的卷积核个数依次为16、16、32、32、64、64、128。


4.根据权利要...

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