一种基于低信噪比PET图像的处理方法技术

表达本发明专利技术涉及一种基于低信噪比PET图像的处理方法，方法包括：获取待处理的低信噪比对应的第一图像；将第一图像输入值训练的生成器G中，并输出与高信噪比一致的第二图像；生成器G包括：合成网络和映射网络；映射网络对输入的第一图像进行编码调制处理，获取第一图像的样式表达；所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式，以使得各层结构对输入的第一图像进行卷积输出进行自适应性调整，获得第二图像。本发明专利技术的方法获取的第二图像具有更加丰富的纹理信息，能够达到临床分析要求，同时为实现精确化分割提供更好的条件。分割提供更好的条件。分割提供更好的条件。

【技术实现步骤摘要】
一种基于低信噪比PET图像的处理方法


[0001]本专利技术涉及医学成像领域，尤其涉及一种基于低信噪比PET图像的处理方法。

技术介绍

[0002]利用深度学习技术分割人体全身PET图像的一些重要部位(例如肝、膀胱等)具有很高的临床应用价值，可以借此检查人体器官和组织的代谢情况以及是否存在代谢异常。但目前关于PET图像的分割技术主要集中在利用全剂量示踪剂的PET图像上。全剂量示踪剂的图像信噪比高，可以提供精确的代谢信息，但是却要求向患者注入足量的放射性示踪剂以及长时间的放射性扫描，对患者存在潜在的危害。低剂量示踪剂的图像相比全剂量图像可以减少放射对人体的影响，但图像信噪比低，高频信息缺失，既不利于图像的分割，也无法提供精准的代谢信息。
[0003]为此，亟需一种可以对低剂量示踪剂对应的PET图像进行处理的方法。

技术实现思路

[0004](一)要解决的技术问题
[0005]鉴于现有技术的上述缺点、不足，本专利技术提供一种基于低信噪比PET图像的处理方法。
[0006](二)技术方案
[0007]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0008]根据本专利技术的第一方面，本专利技术实施例提供一种基于低信噪比PET图像的处理方法，包括：
[0009]获取待处理的低信噪比的第一图像；
[0010]将第一图像输入值训练的生成器G中，并输出与高信噪比匹配的第二图像；
[0011]所述生成器G包括：合成网络和映射网络；
[0012]所述映射网络对输入的第一图像进行编码调制处理，获取第一图像的样式表达；
[0013]所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式，以使得各层结构对输入的第一图像进行卷积输出实现自适应性调整，获得第二图像。
[0014]可选地，所述方法还包括：
[0015]基于用户的感兴趣区域，确定所述感兴趣区域在所述第二图像中的边界信息；
[0016]依据所述边界信息进行分割，获取分割后的信息。
[0017]可选地，所述合成网络包括：
[0018]第一卷积层、四层基本模块和最后一个卷积层；
[0019]所述第一卷积层用于接收输入的第一图像并进行卷积处理，获得卷积特征；
[0020]所有基本模块包括：批归一化、激活、卷积、噪声模块和实例归一化AdaIN；
[0021]所述第一层基本模块的批归一化、激活、卷积和噪声模块依序对输入的卷积特征
进行处理，并结合仿射变换后的第一层的样式输入至AdaIN，获得第一层的输出；
[0022]第二层基本模块的输入为卷积特征，其输出为第二层的输出，
[0023]第三层基本模块的输入为卷积特征和第一层的输出，其输出为第三层的输出；
[0024]第四层基本模块的输入为卷积特征、第一层的输出和第二层的输出，其输出为第四层的输出；
[0025]所述最后一个卷积层用于对卷积特征、第一层的输出、第二层的输出、第三层的输出和第四层的输出进行卷积处理，输出第二图像。
[0026]可选地，
[0027]其中，x
i
表示一个特征图，(γ
i
,β
i
)是一组样式调整参数，μ(x
i
)为第i层特征图通道维度的均值，σ(x
i
)为第i层特征图通道维度的标准差，i表示通道的索引。
[0028]可选地，所述映射网络用于对输入的第一图像依次进行样式表达编码和仿射变换处理；
[0029]所述映射网络用于接收输入的第一图像，并生成具有输入的第一图像的低频信息的样式表达编码，以及将样式表达编码进行映射处理形成对应到每一层基本模块中AdaIN的调整参数，所述调整参数为带有输入图像的特征信息。
[0030]可选地，训练阶段，噪声模块的随机噪声为符合高斯正态分布的随机噪声；
[0031]使用阶段，噪声模块的随机噪声为0。
[0032]可选地，获取待处理的低信噪比的第一图像之前，所述方法还包括：
[0033]获取用于训练G的第三图像即高信噪比的PET图像和第四图像即低信噪比的PET图像；
[0034]将第四图像输入到建立的G中，并输出第五图像；
[0035]将第三图像和第五图像输入到鉴别器D，依据损失函数进行判断并调整G的训练参数，并交替进行G和D的训练，使得G最后输出的PET图像匹配第三图像，获得训练后的G；
[0036]其中，损失函数L为：
[0037]L
GAN
(G,D)为生成对抗损失；
[0038]L
GAN
(G,D)＝
‑
E
x,y
[D(x,y)]+E
x
[D(x,G(x)]；
[0039]L1为用于抑制图像噪声且保证低频信息的损失函数；
[0040]L
L1
(G)＝E
x,y
[‖y
‑
G(x)‖1]；
[0041]‑
E
x,y
[D(x,y)]表示样本是低信噪比的图像和高信噪比的图像组合的期望，D(x,y)表示判别器对真实测量的高信噪比图像的判别结果，D(x,G(x))表示判别器对采用G输出的图像的判别结果；
[0042]L
seg
为分割使用的损失函数：
[0043][0044]t
i
为分割的目标值，为0或者1；y
i
为网络的预测值，取值在(0，1)之间，ε为平滑系数；
[0045]第三图像为y；第四图像为x；β为超参数；
[0046]第三图像为PET采集设备采集并重建的高信噪比的PET图像，第四图像为在重建的第三图像的原始数据序列中抽取部分数据重建得到的，作为用于训练时输入的，低信噪比的PET图像。
[0047]第二方面，本专利技术实施例还提供一种电子设备，包括：存储器、处理器和总线，所述处理器和所述存储器通过所述总线连接；
[0048]所述存储器用于存储程序，所述处理器用于运行所述程序，其中，程序运行时执行第一方面任一所述的基于低信噪比PET图像的处理方法。
[0049]第三方面，本专利技术实施例还提供一种PET系统，包括：PET图像重建设备和上述任意所述的电子设备，所述PET重建设备重建的PET图像经由所述电子设备进行处理。
[0050](三)有益效果
[0051]本专利技术的有益效果是：本专利技术的方法是采用训练过的G对低信噪比即低剂量示踪剂的PET图像进行处理，获得与全剂量示踪剂即高信噪比的PET图像一致的第二图像，第二图像为具有高对比度且结构完整的PET图像。
[0052]本实施例的方法能够同时完成PET图像从低剂量到全剂量的翻译以及图像分割两个任务。转换后的高信噪比的PET图像可以达到临床需求，具有更加丰富的纹理细节，P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于低信噪比PET图像的处理方法，其特征在于，包括：获取待处理的低信噪比的第一图像；将第一图像输入值训练的生成器G中，并输出与高信噪比匹配的第二图像；所述生成器G包括：合成网络和映射网络；所述映射网络对输入的第一图像进行编码调制处理，获取第一图像的样式表达；所述合成网络借助于映射网络的仿射变换将所述样式表达仿射为各层结构对应的样式，以使得各层结构对输入的第一图像进行卷积输出实现自适应性调整，获得第二图像。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于用户的感兴趣区域，确定所述感兴趣区域在所述第二图像中的边界信息；依据所述边界信息进行分割，获取分割后的信息。3.根据权利要求1所述的方法，其特征在于，所述合成网络包括：第一卷积层、四层基本模块和最后一个卷积层；所述第一卷积层用于接收输入的第一图像并进行卷积处理，获得卷积特征；所有基本模块包括：批归一化、激活、卷积、噪声模块和实例归一化AdaIN；所述第一层基本模块的批归一化、激活、卷积和噪声模块依序对输入的卷积特征进行处理，并结合仿射变换后的第一层的样式输入至AdaIN，获得第一层的输出；第二层基本模块的输入为卷积特征，其输出为第二层的输出，第三层基本模块的输入为卷积特征和第一层的输出，其输出为第三层的输出；第四层基本模块的输入为卷积特征、第一层的输出和第二层的输出，其输出为第四层的输出；所述最后一个卷积层用于对卷积特征、第一层的输出、第二层的输出、第三层的输出和第四层的输出进行卷积处理，输出第二图像。4.根据权利要求3所述的方法，其特征在于，其中，x
i
表示一个特征图，(γ
i
,β
i
)是一组样式调整参数，μ(x
i
)为第i层特征图通道维度的均值，σ(x
i
)为第i层特征图通道维度的标准差，i表示通道的索引。5.根据权利要求3或4所述的方法，其特征在于，所述映射网络用于对输入的第一图像依次进行样式表达编码和仿射变换处理；所述映射网络用于接收输入的第一图像，并生成具有输入的第一图像的低频信息的样式表达编码，以及将样式表达编码进行映射处理形成对应到每一层基本模块中AdaIN的调整参数，所述调整参数为带有输入图像的特征信息。6.根据权利要求3所述的方法，其特征在...

【专利技术属性】
技术研发人员：李楠，王涛，史张珏，
申请(专利权)人：江苏赛诺格兰医疗科技有限公司，
类型：发明
国别省市：