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用[62Cu]-ATSM。然而对于某一种疾病来说，多方面、多角度的生命活动检测有助于提高疾病分期、患病诊断的准确率，也为选择更加合理有效的治疗方案提供更多宝贵的信息，因此实现双示踪剂PET甚至多示踪剂PET成像是十分有意义且有广大应用前景的技术。为了节约病患的扫描时间和扫描费用，如何处理单次扫描双示踪PET信号成为亟需解决的关键技术；由于不同放射性核素湮灭产生的都是一对511ekV的γ光子，所以对于信号来源于哪一种示踪剂难以辨别，这就不能知道两种示踪剂分别的时空分布和监测的生命活动状态。目前双示踪剂PET分离方法主要可分为：(1)利用示踪剂先验信息以及间隔注射结合数学模型来区分不同示踪剂的信号，这类方法中常用的数学模型有房室模型法、基追踪法以及信号外延法等；以信号外延法为例，它将两种示踪剂先后注入，得到带有时间间隔的混合示踪剂时间活度曲线，接着用数学模型拟合出示踪剂一时间活度曲线未重叠部分，然后再外推出示踪剂I与示踪剂II重叠部分，即可完成两种示踪剂时间活度曲线的分离；这类方法存在以下问题：1.要求混合示踪剂中的单示踪剂具有不同的半衰期或不同的放射性同位素，降低了方法的实际可行性；2.需要预先构造好的先验数学模型，而该先验模型对新示踪剂可能不适用；3.需要注射间隔，延长了扫描时间。(2)采用瞬发Gammas的双示踪剂分离技术，这种方法要求其中一种示踪剂可以多发出一个高能伽马射线，根据这个特性可以实现双示踪剂的信号分离，但这种方法对示踪剂和探测器要求比较高，推广困难。综合考虑双示踪剂PET成像的重要意义和现有方法的局限性，研究单次扫描且同时注射双示踪剂PET信号分离是很有意义的。
技术实现思路
鉴于上述，本专利技术提出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，该方法借助于深度学习这一强大的特征提取工具，能够精确地从混合的双示踪PET图像中分离出两种单一的示踪剂PET图像。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。进一步地，所述步骤(1)中对于两种示踪剂半衰期没有限制，甚至使用相同的放射性核素标记两种示踪剂也能实现好的分离效果。进一步地，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。进一步地，所述解码部分的两条分支结构完全相同，每条分支从输入至输出由反卷积层DC1、卷积层D1、反卷积层DC2、卷积层D2、反卷积层DC3、卷积层D3、卷积层D4依次级联组成，各层中的卷积核个数依次为64、64、32、32、16、16、1，反卷积层DC1～DC3以及卷积层D1～D3中的卷积核大小均为3×3×3，卷积层D4中的卷积核大小为1×1×1，反卷积层DC1～DC3的步长均为2，卷积层D1～D4的步长均为1。进一步地，所述卷积层C1～C7、反卷积层DC1～DC3以及卷积层D1～D3的输出均经过batch-norm层和ReLU激活层处理，卷积层D4的输出则经ReLU激活层进行非负约束。进一步地，所述步骤(5)中对网络进行训练的具体过程如下：首先，初始化网络参数，包括每一层的偏置向量和权值矩阵、学习率、优化方法以及最大迭代次数；然后，将训练集中的Ydual批量输入至该网络中进行训练，计算网络的输出结果与真值标签[XI，XII]之间的损失函数L，进而通过批次梯度下降法对整个网络的参数不断进行更新，直至损失函数L收敛或达到最大迭代次数，从而完成训练得到双示踪剂PET分离模型。进一步地，所述损失函数L的表达式如下：其中：||||2为2范数，γ为给定的权重系数，表示XI与之间的相似度指标SSIM(StructuralSimilarity)，表示XII与之间的相似度指标SSIM；其中前两项反应了双示踪剂PET重建的预测值与标签值之间的误差，而第三项表示了预测值和标签值在结构、对比度、亮度三个方面的相似度。进一步地，所述步骤(6)中对于动态的PET正弦图序列以及分离得到的PET图像序列的帧数没有限制，所述PET分离方法能够处理不同帧数的PET图像信号。本专利技术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。本专利技术有三个亮点：第一，此网络是普适性的，训练集包含了多组示踪剂组合，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