本发明专利技术公开了一种基于深度学习提升PET系统空间分辨率均匀性的PET图像重建算法，其充分利用PET系统FOV空间内径向分辨率不均匀自身存在的这个特性来解决相互深度效应，将phantom位于FOV中心时的投影数据重建出的高分辨率浓度分布图作为标签，用神经网络训练的手段来提高同一phantom位于FOV边缘位置的重建浓度分布图的分辨率，而不需要任何新型探测器或获得额外的任何信息，如DOI信息或者PSF信息。本发明专利技术用软件的手段来代替现阶段复杂的硬件方法，解决PET系统空间分辨率不均匀的问题。解决PET系统空间分辨率不均匀的问题。解决PET系统空间分辨率不均匀的问题。
【技术实现步骤摘要】
基于深度学习提升PET系统空间分辨率均匀性的PET图像重建算法
[0001]本专利技术属于生物医学图像分析
，具体涉及一种基于深度学习提升PET系统空间分辨率均匀性的PET图像重建算法。
技术介绍
[0002]正电子发射断层成像(PET)是一种无创的功能成像技术，是核医学和分子成像的重要成像方法之一。在疾病的早期，生化变化往往先于解剖变化，由于PET能利用
15
O、
18
F等放射性核素标记的葡萄糖、蛋白质等物质作为示踪剂参与生物正常的生理代谢，从而能够在分子水平上动态、定量地反映动物体内的病理生理变化和代谢过程，因此其在心脏疾病、脑疾病和恶性肿瘤的前期诊断和治疗方面发挥着不可替代的作用。当这些放射性核素在体内发生衰变时，其产生的正电子会与周围组织产生碰撞而几乎立即丧失自己的动能并和负电子结合发生湮灭反应，进而辐射出一对方向相反，能量相同且为511kev的γ光子。根据符合一致原理，体外的PET探测器能探测到体内γ光子的衰变地点，获得原始的投影数据(sinogram)，利用不同的算法对sinogram进行处理，便可以重建出放射性核素在生物体内的浓度分布图。
[0003]毫无疑问，PET重建浓度分布图的分辨率对医生诊断疾病的准确性有很大的影响，因此均匀的高分辨率图像重建在PET系统中占有特别重要的地位。然而，由于湮没光子与探测器晶体发生相互作用时的深度是任意的，甚至会发生穿透，因此在确定的横向PET系统视场(FOV)中存在严重的径向相互作用深度(DOI)效应或径向视差(parallax error)，即导致重建图像在不同径向位置的分辨率是不均匀的，特别是当物体靠近视场边缘时，分辨率会显著降低而呈现的严重“拖尾”效应。
[0004]不同的PET探测器结构，如环形PET和平板PET，均存在径向DOI效应。目前，硬件方法被认为是解决径向DOI问题的主要手段，其主要基于不同的原理设计新型的探测器，从而获得晶体中精确的DOI信息，例如有的通过改变系统直径和单个探测器尺寸来影响DOI问题的程度，有的使用phosphor sandwich或者由多层闪烁晶体阵列错峰组成的离散型多层探测器，还有的将两个光电转换装置耦合到晶体阵列两端，通过比较两端读取的信号输出来判断Gamma光子作用到晶体的位置，获得连续型DOI信息。显然，上述方法需要更为复杂的探测器结构和信号处理过程，而利用软件手段来代替硬件DOI探测器，能达到一定程度精度DOI探测器的效果，从而来解决PET系统空间分辨率不均匀的问题，降低对硬件设备的要求，是一个值得研究的方向。
[0005]随着机器学习的出现和普及，科研人员开始研究机器学习来提升PET空间分辨率的均匀性，如在Convolutional Neural Network for Crystal Identification and Gamma Ray Localization in PET一文中，提出了在DOI编码器的硬件基础上引入深度学习的方法，从而来更加精确的定位Gamma光子和晶体相互作用的深度，该技术一定程度上降低了对PET的结构参数的要求，但依旧需要复杂的PET结构。
技术实现思路
[0006]鉴于上述，本专利技术提供了一种基于深度学习提升PET系统空间分辨率均匀性的PET图像重建算法，将处理位于不同径向位置的投影数据的重建问题拆分成两个子问题，分别用滤波反投影和神经网络解决。
[0007]一种基于深度学习提升PET系统空间分辨率均匀性的PET图像重建算法，包括如下步骤：
[0008](1)向体膜注入PET放射性示踪剂，将体膜分别置于PET系统径向距离视野中心(FOV)不同位置处进行扫描，探测符合光子并进行计数，得到处于不同径向位置处相对应的投影数据；
[0009](2)根据PET测量方程将不同径向位置所对应投影数据的重建问题拆分成两个子问题：子问题1为i＝0位置处对应的投影数据重建，子问题2为i＞0位置处对应的投影数据重建，i表示与视野中心的径向距离；
[0010](3)对于子问题1采用滤波反投影算法(FBP)进行重建，对于子问题2则采用深度学习的方法进行重建；
[0011](4)搭建ISTA
‑
Net网络模型，利用i＞0不同径向位置扫描得到的投影数据作为模型的输入，利用子问题1重建得到的PET图像作为模型对应输出的真值标签，通过迭代训练得到PET图像重建模型用以实现子问题2的重建过程。
[0012]进一步地，所述步骤(1)中的扫描方式可以是静态扫描，也可以是动态扫描。
[0013]进一步地，所述步骤(3)中的滤波反投影算法包括频域滤波和反投影两个步骤。
[0014]进一步地，所述ISTA
‑
Net网络模型由多个phase(阶段)依次连接组成，每个phase均由一个算子经过软阈值算法后与一个算子连接组成，所述算子从输入至输出依次由卷积层A1、卷积层A2、Relu函数、卷积层A3依次连接组成；所述算子与算子的结构呈镜像对称，其从输入至输出依次由卷积层A3、Relu函数、卷积层A2、卷积层A1依次连接组成，卷积层A1与A2之间插入有批归一化(BN)层，算子的输出以及算子的输入均经批归一化处理，算子的输入与算子的输出线性叠加后以残差的形式作为phase的最终输出结果。
[0015]进一步地，所述卷积层A1～A3的输出均经过批量标准化处理，且每个卷积层均设置有32个滤波器，采用的卷积核大小为3
×
3，步长为1。
[0016]进一步地，所述步骤(4)中对ISTA
‑
Net网络模型进行训练的具体过程为：首先初始化模型参数，将所有i＞0不同径向位置扫描得到的投影数据作为样本分为训练集和测试集，将训练集样本逐一输入网络模型中，通过正向传播计算得到网络模型的输出结果；然后计算模型每一输出结果与对应真值标签之间的损失函数L，根据损失函数L的偏导数通过Adam算法对网络模型中的参数不断进行迭代优化直至损失函数L收敛，最终训练完成后得到PET图像重建模型。
[0017]进一步地，所述损失函数L的表达式如下：
[0018][0019]其中：x
i
为第i个样本对应的真值标签，为第i个样本输入网络模型后其中第n个phase的输出结果，A为x
i
的像素尺寸大小，n为ISTA
‑
Net网络模型中的phase数量，为网络模型中第k个phase中的算子，为网络模型中第k个phase中的算子，‖‖2表示L2范数，为第i个样本输入网络模型后其中第k个phase的输出结果，B为训练集中的样本数量。
[0020]进一步地，所述ISTA
‑
Net网络模型的输入为2D的PET扫描数据，若采集到的投影数据为3D形式，则需要采用SSRB或FORB等方法将其转化为2D的PET扫描数据，不同的方法对同一横截面的径向分辨率影响不同。
[0021]进一步地，在对ISTA
‑本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习提升PET系统空间分辨率均匀性的PET图像重建算法，包括如下步骤：(1)向体膜注入PET放射性示踪剂，将体膜分别置于PET系统径向距离视野中心不同位置处进行扫描，探测符合光子并进行计数，得到处于不同径向位置处相对应的投影数据；(2)根据PET测量方程将不同径向位置所对应投影数据的重建问题拆分成两个子问题：子问题1为i＝0位置处对应的投影数据重建，子问题2为i＞0位置处对应的投影数据重建，i表示与视野中心的径向距离；(3)对于子问题1采用滤波反投影算法进行重建，对于子问题2则采用深度学习的方法进行重建；(4)搭建ISTA
‑
Net网络模型，利用i＞0不同径向位置扫描得到的投影数据作为模型的输入，利用子问题1重建得到的PET图像作为模型对应输出的真值标签，通过迭代训练得到PET图像重建模型用以实现子问题2的重建过程。2.根据权利要求1所述的PET图像重建算法，其特征在于：所述步骤(1)中的扫描方式可以是静态扫描，也可以是动态扫描。3.根据权利要求1所述的PET图像重建算法，其特征在于：所述步骤(3)中的滤波反投影算法包括频域滤波和反投影两个步骤。4.根据权利要求1所述的PET图像重建算法，其特征在于：所述ISTA
‑
Net网络模型由多个phase依次连接组成，每个phase均由一个算子经过软阈值算法后与一个算子连接组成，所述算子从输入至输出依次由卷积层A1、卷积层A2、Relu函数、卷积层A3依次连接组成；所述算子与算子的结构呈镜像对称，其从输入至输出依次由卷积层A3、Relu函数、卷积层A2、卷积层A1依次连接组成，卷积层A1与A2之间插入有批归一化层，算子的输出以及算子的输入均经批归一化处理，算子的输入与算子的输出线性叠加后以残差的形式作为phase的最终输出结果。5.根据权利要求4所述的PET图像重建算法，其特征在于：所述卷积层A1～A3的输出均经过批量标准化处理，且每个卷积层均设置有32个滤波器，采用的卷积核大小为3
×
3，步长为1。6.根据权利要求1所...
【专利技术属性】
技术研发人员：刘华锋，林菁，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。