基于SPECT数据采样与噪声特性的断层图像重建方法技术

基于SPECT数据采样与噪声特性的断层图像重建方法，其包括步骤：步骤A，评估SPECT原始投影数据的噪声水平，选择与噪声水平相匹配的第一卷积神经网络对SPECT原始投影数据进行降噪处理；步骤B，对降噪后的投影数据应用统计迭代重建算法，得出初步重建图像；步骤C，应用与SPECT投影数据采样角度数目相匹配的第二卷积神经网络对初步重建图像进行后处理；步骤D，基于去伪影后的重建图像和SPECT原始投影数据进一步应用基于压缩感知的图像迭代重建算法，得到最终的重建图像。上述重建方法，特别针对稀疏采样的SPECT数据，可缩短SPECT断层成像采集时间，进行提升效率。进行提升效率。进行提升效率。

【技术实现步骤摘要】
基于SPECT数据采样与噪声特性的断层图像重建方法


[0001]本专利技术涉及医学成像
，特别是基于SPECT数据采样与噪声特性的断层图像重建方法。

技术介绍

[0002]SPECT(Single-Photon Emission Computed Tomography，单光子发射计算机断层成像设备)是一种医学成像设备，其基本工作原理如下：利用伽马相机环绕成像目标(病人)旋转，在不同角度探测目标体内放射性药物发出的经准直器准直的伽马光子，形成二维投影数据，对所有采样角度采集的投影数据应用断层图像重建算法重建出成像目标体内放射性药物的三维空间分布。
[0003]受限于成像物理原理，SPECT在每个投影角度需要采集一定时间——通常在20-60秒之间——以积累伽马光子计数，从而提升投影数据的信噪比，即便如此，SPECT投影数据的噪声水平仍然远远高于PET(正电子断层成像设备)和X光CT等其它同类放射成像设备。为满足断层成像的角度采样要求，在全身成像应用中，传统SPECT需要在环绕成像目标轴向360度角的范围内完成60个角度的投影数据采样以完成一个床位的断层成像，覆盖轴向视野约40厘米，耗时约15-20分钟。以此类推，3个床位覆盖约1.2米轴向视野的断层成像需要约1个小时，从临床工作效率和病人耐受性的角度，这是无法接受的。因此一种能够在降低数据采集时间的前提下仍能基本保持图像质量不变的图像重建方法，会对SPECT断层成像临床应用的推广普及产生重要的推动作用。
[0004]近年来，以卷积神经网络为代表的深度学习技术，广泛应用于CT、PET医学图像降噪和去除稀疏采样引入的伪影等领域，取得了较好的效果。但是其局限性在于对差异化数据的适应性较差，当实际应用数据与训练神经网络数据的噪声水平和伪影特性接近时，可以有较好的降噪和去伪影效果；否则，降噪和去伪影效果就会有不同程度的降低。
[0005]对于SPECT成像来说，降低采集时间可以通过降低每个角度采样时间、减少采样角数目以及二者结合来实现，不同的采集时间和采样角数目选择都会导致数据和图像的噪声与稀疏采样伪影的特性产生较大差异。另外，在临床实践中，SPECT原始投影数据和图像的噪声水平还受很多因素的影像响：如不同种类或剂量的放射性药物，放射性药物在不同病人或同一病人不同部位之间的差异化分布、以及常规图像重建算法的参数设置等。因此，单一的、固定参数的卷积神经网络无法很好的地完成SPECT稀疏采样断层重建的降噪和去伪影的功能。

技术实现思路

[0006]针对上述缺陷，本专利技术的目的在于提出基于SPECT数据采样与噪声特性的断层图像重建方法，特别针对稀疏采样的SPECT数据，旨在解决上述的问题中的一项或多项，以缩短SPECT断层成像采集时间，进行提升效率。
[0007]为达此目的，本专利技术采用以下技术方案：
[0008]基于SPECT数据采样与噪声特性的断层图像重建方法，包括步骤：
[0009]步骤A，使用泊松噪声模型评估SPECT原始投影数据的噪声水平，选择与噪声水平相匹配的第一卷积神经网络对SPECT原始投影数据进行降噪处理；
[0010]步骤B，对降噪后的投影数据应用基于物理模型、参数固定的统计迭代重建算法，得出初步重建图像；
[0011]步骤C，应用与SPECT投影数据采样角度数目相匹配的第二卷积神经网络对初步重建图像进行后处理，去除因稀疏采样引起的伪影；
[0012]步骤D，基于去伪影后的重建图像和SPECT原始投影数据进一步应用基于压缩感知的图像迭代重建算法，得到最终的重建图像。
[0013]进一步的说明，步骤A中所述评估SPECT原始投影数据的噪声水平的方法为：计算SPECT原始投影数据中所有像素值大于零像素的像素值的中值或平均值并将其按以下方法进行噪声水平分类：
[0014]第一噪声水平：
[0015]第二噪声水平：
[0016]第三噪声水平：
[0017]第四噪声水平：
[0018]进一步的说明，所述步骤A中所应用的第一卷积神经网络针对不同角度的二维投影数据分别进行降噪或者针对多个角度的投影数据组成的三维数据进行联合降噪。
[0019]更优的，步骤B中的统计迭代算法采用最大似然迭代或有序子集加速最大似然迭代重建算法。
[0020]具体的，步骤C中，先对SPECT原始投影数据的采样角数目V按以下方法进行分类：
[0021]第一采样角度范围：V＝{8,9,10}；
[0022]第二采样角度范围：V＝{12,14,16}；
[0023]第三采样角度范围：V＝{18,20,24}；
[0024]第四采样角度范围：V＝{30,32,36,40}。
[0025]具体的，所述步骤C中第二卷积神经网络针对断层图像中的每一个二维图像层分别进行去伪影处理，或针对三维断层图像进行整体处理。
[0026]具体的，所述步骤D中图像迭代重建算法，其公式为：
[0027][0028][0029]其中，x为拟重建的SPECT目标图像矢量，x
p
为步骤c中经去伪影处理后的图像矢量，y为SPECT原始投影数据矢量，A为对SPECT原始投影数据采集过程进行物理建模的系统传输矩阵，为最终重建图像，TV(x)为全变分模型，即图像双向空间梯度的L2范数，当x为尺寸M*N的二维图像的矢量表示时，其公式为：
[0030][0031]所述M和N为自然数，n＝1，2，
…
，N-1，为图像矢量x的L1范数，即所有像素值的绝对值之和，α为权重参数。
[0032]进一步的，步骤D中所述图像迭代重建算法为：在满足SPECT重建目标图像与SPECT原始投影数据的一致性条件，即Ax＝y的前提下，求解能够最小化公式(1)所述SPECT重建目标图像与去伪影后图像之差的稀疏性代价函数的解，作为最终的重建图像。
[0033]优选的，对所述步骤D中的求解公式(2)进行优化，具体是以去伪影后图像为初始估计，通过迭代交替应用公式(2)中的一致性条件Ax＝y和公式(1)中稀疏性最小化条件对SPECT目标重建图像进行更新，待其收敛后，即得到最终的重建图像。
[0034]本专利技术可以达到以下有益效果：
[0035]1、针对临床实际应用中差异化的SPECT原始投影数据与其噪声特性，应用自适应参数的降噪与去伪影的第一卷积神经网络和第二卷积神经网络，实现最优化的图像质量；
[0036]2、在适当降低数据采集时间情况下，通过自适应优化的降噪和去伪影算法，确保图像质量基本不发生变化换，从而提升病人检查效率；
[0037]3、采用两个卷积神经网络分别处理噪声和稀疏采样伪影问题，与采用单一网络的方案相比，降低了网络参数的复杂度和训练难度。
[0038]4、应用压缩感知技术和原始投影数据，在两个卷积神经网络的基础上进一步对重建图像进行完善，最大程度规避因为卷积神经网络的局限性引入图像的虚假细节。
附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SPECT数据采样与噪声特性的断层图像重建方法，其特征在于：包括步骤：步骤A，使用泊松噪声模型评估SPECT原始投影数据的噪声水平，选择与噪声水平相匹配的第一卷积神经网络对SPECT原始投影数据进行降噪处理；步骤B，对降噪后的投影数据应用基于物理模型、参数固定的统计迭代重建算法，得出初步重建图像；步骤C，应用与SPECT投影数据采样角度数目相匹配的第二卷积神经网络对初步重建图像进行后处理，去除因稀疏采样引起的伪影；步骤D，基于去伪影后的重建图像和SPECT原始投影数据进一步应用基于压缩感知的图像迭代重建算法，得到最终的重建图像。2.根据权利要求1所述的基于SPECT数据采样与噪声特性的断层图像重建方法，其特征在于：步骤A中所述评估SPECT原始投影数据的噪声水平的方法为：计算SPECT原始投影数据中所有像素值大于零像素的像素值的中值或平均值并将其按以下方法进行噪声水平分类：第一噪声水平：第二噪声水平：第三噪声水平：第四噪声水平：3.根据权利要求2所述的基于SPECT数据采样与噪声特性的断层图像重建方法，其特征在于：所述步骤A中所应用的第一卷积神经网络针对不同角度的二维投影数据分别进行降噪或者针对多个角度的投影数据组成的三维数据进行联合降噪。4.根据权利要求1所述的基于SPECT数据采样与噪声特性的断层图像重建方法，其特征在于：步骤B中的统计迭代算法采用最大似然迭代或有序子集加速最大似然迭代重建算法。5.根据权利要求1所述的基于SPECT数据采样与噪声特性的断层图像重建方法，其特征在于：步骤C中，先对SPECT原始投影数据的采样角数目V按以下方法进行分类：第一采样角度范围：V＝{8,9,10}；第二采样角度范围：V＝{12,14,16}；第三采样角度范围：V＝{18,20,24}；第四采样角...

【专利技术属性】
技术研发人员：李琨，陈思，杨雪松，邓晓，
申请(专利权)人：佛山原子医疗设备有限公司，
类型：发明
国别省市：