基于深度图像先验的图像重建方法、电子设备及存储介质技术

本发明专利技术公开了一种基于深度图像先验的图像重建方法、电子设备及存储介质。该方法包括：将随机噪声输入卷积神经网络中，输出未知的图像；将未知的图像进行拉东变换，得到第一正弦图；将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，第二正弦图表示待重建图像的测量数据正弦图；根据损失值迭代调整神经网络的网络参数，得到目标网络参数；通过具有目标网络参数的神经网络输出与待重建图像对应的重建图像。本发明专利技术提供的图像重建方法，利用卷积神经网络结构上的先验，实现基于深度图像先验的图像重建，同时添加掩膜矩阵、小波变换或超小波变换的约束来实现图像的修复和降噪，进而实现高质量的图像重建。进而实现高质量的图像重建。进而实现高质量的图像重建。

【技术实现步骤摘要】
基于深度图像先验的图像重建方法、电子设备及存储介质


[0001]本专利技术涉及正电子发射断层成像
，特别涉及一种基于深度图像先验的图像重建方法和系统、电子设备以及存储介质。

技术介绍

[0002]正电子发射断层成像（Positron Emission Tomography，PET）是一种功能性核医学成像技术，其基本原理是将生命代谢中必需的物质，如葡萄糖、蛋白质、核酸等标记上短寿命的放射性核素，通过追踪正负电子湮灭产生的光子对在人体内的分布，来定量反映不同组织的代谢水平，从而对病变区域进行诊断和分析。PET对人体心脑新陈代谢和受体功能的研究发展到了分子水平，在肿瘤学、心血管疾病学、神经系统疾病学和新医药学开发等研究领域应用广泛。
[0003]PET图像重建算法是目前研究的重点和核心问题，很大程度上决定了最终成像的质量。目前PET图像重建方法主要有三大类：解析法是一类比较早的图像重建技术，其代表方法为滤波反投影法（Filtered Back
‑
Projection，FBP），测量数据经过傅里叶变换，在频域进行滤波，再做一次傅里叶逆变换，在空间域进行反投影，即得到重建图像；解析法重建速度快，但对噪声的鲁棒性较差，重建的图像质量不高。迭代法通过迭代求解目标函数的最大值来重建图像，分为最大似然估计法（Maximum Like
‑
hood Expectation Maximization，MLEM）和最大后验估计法（Maximum a Posteriori，MAP）；迭代法相比于解析法对噪声的鲁棒性更强，成像质量更好，但计算量大。近些年来，神经网络在医学图像重建领域获得了巨大的成功，重建后的图像质量比传统的方法有了新的提升。在使用卷积神经网络（Convolutional Neural Networks，CNN）时，通常需要一组带标签的样本作为训练集来优化网络参数。但出于病人隐私和辐射安全方面的考虑，实际应用中往往很难获取大量高质量的目标图像；其次，由于选取的训练集和真实的临床数据在分布上有差异，基于CNN的方法难以达到其最佳表现。

技术实现思路

[0004]鉴于上述问题，本专利技术提供了一种基于深度图像先验的图像重建方法和系统、电子设备以及存储介质，以期能够解决上述问题之一。
[0005]根据本专利技术的第一个方面，提供了一种基于深度图像先验的图像重建方法，包括：将随机噪声输入卷积神经网络中，输出未知的图像；将未知的图像进行拉东变换，得到第一正弦图；将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，第二正弦图表示待重建图像的测量数据，待重建图像是关于放射性活度分布的图像；根据损失值迭代调整卷积神经网络的网络参数，得到目标网络参数；通过具有目标网络参数的卷积神经网络输出与待重建图像对应的重建图像。
[0006]根据本专利技术的实施例，上述将第一正弦图和第二正弦图输入基于相对熵的损失函
数中，输出损失值包括：对参考图像和未知的图像进行数据变换处理，得到参考图像数据变换域系数和未知的图像数据变换域系数；根据参考图像数据变换域系数和未知的图像数据变换域系数，对基于相对熵的损失函数进行第一次更新；利用第一次更新后的基于相对熵的损失函数处理所述第一正弦图和第二正弦图，输出第一损失值。
[0007]根据本专利技术的实施例，上述将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值还包括：利用第二正弦图的缺失数据信息构建掩膜矩阵并对掩膜矩阵进行初始化，其中，掩膜矩阵的维度与第二正弦图的维度相同；利用掩膜矩阵分别与第一正弦图和第二正弦图进行矩阵运算，对第一次更新后的基于相对熵的损失函数进行第二次更新；利用第二次更新后的基于相对熵的损失函数处理第一正弦图和第二正弦图，输出第二损失值。
[0008]根据本专利技术的实施例，上述数据变换处理包括小波变换和超小波变换，超小波变换包括脊波变换、曲波变换、轮廓波变换。
[0009]根据本专利技术的实施例，上述神经网络包括编码器和解码器，编码器和解码器包括多个卷积层、多个批标准化层和多个渗漏整流线性单元。
[0010]根据本专利技术的实施例，上述第二次更新后的基于相对熵的损失函数由公式（1）表示：（1），其中，表示优化后的图像重建卷积神经网络的参数，表示和的KL散度，表示掩膜矩阵，表示权重参数，表示图像重建卷积神经网络，表示随机噪声，表示拉东变换矩阵。
[0011]根据本专利技术的实施例，上述根据损失值迭代调整神经网络的网络参数，得到目标网络参数包括：利用L
‑
BFGS和/或Adam算法迭代调整神经网络的网络参数。
[0012]根据本专利技术的第二个方面，提供了一种图像重建系统，包括：第一输出模块，用于将随机噪声输入卷积神经网络中，输出未知的图像；拉东变换模块，用于将未知的图像进行拉东变换，得到第一正弦图；第二输出模块，用于将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，第二正弦图表示待重建图像的测量数据，待重建图像是关于放射性活度分布的图像；调整模块，用于根据损失值迭代调整卷积神经网络的网络参数，得到目标网络参
数；图像重建模块，用于通过具有目标网络参数的卷积神经网络输出与待重建图像对应的重建图像。
[0013]根据本专利技术的第三个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述基于深度图像先验的图像重建方法。
[0014]根据本专利技术的第四个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述基于深度图像先验的图像重建方法。
[0015]本专利技术提供的基于深度图像先验的图像重建方法，通过利用基于相对熵的损失函数不断调整优化卷积神经网络，同时利用优化后的卷积神经网络获得待重建图像的正电子发射断层图像；本专利技术提供的基于深度图像先验的图像重建方法，不需要训练集数据对神经网络进行训练就能够得到具有高质量、高分辨率、高细节还原度的正电子发射断层图像。
附图说明
[0016]图1是根据本专利技术实施例的图像重建方法的流程图；图2是根据本专利技术实施例的输出第一损失值的流程图；图3是根据本专利技术实施例的输出第二损失值的流程图；图4是根据本专利技术实施例的神经网络的结构图；图5是根据本专利技术实施例的图像重建系统的结构图；图6示意性示出了根据本专利技术实施例的适于实现图像重建方法的电子设备的方框图。
具体实施方式
[0017]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术作进一步的详细说明。
[0018]随着深度神经网络在医学影像领域的应用，数据集的获取越来越制约着深度医学图像进一步发展。在实际临床工作中，出于安全性的考虑，很难获得大剂量、长时间扫描的PET图像。尤其是对于图像重建的研究，因为其不仅需要高质量的图像标签，还需要得到原始测量数据。此外，在深度神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度图像先验的图像重建方法，包括：将随机噪声输入卷积神经网络中，输出未知的图像；将所述未知的图像进行拉东变换，得到第一正弦图；将所述第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，所述第二正弦图表示待重建图像的测量数据，所述待重建图像是关于放射性活度分布的图像；根据所述损失值迭代调整所述卷积神经网络的网络参数，得到目标网络参数；通过具有所述目标网络参数的卷积神经网络输出与所述待重建图像对应的重建图像。2.根据权利要求1所述的方法，其中，所述将所述第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值包括：对参考图像和所述未知的图像进行数据变换处理，得到参考图像数据变换域系数和未知的图像数据变换域系数；根据所述参考图像数据变换域系数和所述未知的图像数据变换域系数，对所述基于相对熵的损失函数进行第一次更新；利用第一次更新后的基于相对熵的损失函数处理所述第一正弦图和所述第二正弦图，输出第一损失值。3.根据权利要求2所述的方法，还包括：利用所述第二正弦图的缺失数据信息构建掩膜矩阵并对所述掩膜矩阵进行初始化，其中，所述掩膜矩阵的维度与所述第二正弦图的维度相同；利用所述掩膜矩阵分别与所述第一正弦图和所述第二正弦图进行矩阵运算，对所述第一次更新后的基于相对熵的损失函数进行第二次更新；利用第二次更新后的基于相对熵的损失函数处理所述第一正弦图和所述第二正弦图，输出第二损失值。4.根据权利要求2所述的方法，其中，所述数据变换处理包括小波变换和超小波变换，所述超小波变换包括脊波变换、曲波变换、轮廓波变换。5.根据权利要求1所述的方法，其中，所述神经网络包括编码器和解码器...

【专利技术属性】
技术研发人员：刘东，单倩雪，杜江峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：