基于深度学习提升PET系统空间分辨率均匀性的PET图像重建算法技术方案

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：