一种基于教师-学生模型的低剂量SPECT图像去噪方法技术

本发明专利技术公开了一种基于教师

【技术实现步骤摘要】
一种基于教师
‑
学生模型的低剂量SPECT图像去噪方法


[0001]本专利技术属于生物医学图像重建领域，具体涉及一种基于教师
‑
学生模型的低剂量SPECT图像去噪方法。

技术介绍

[0002]单光子发射型断层扫描（SPECT）是一种非侵入型的分子成像技术，已广泛应用于心血管疾病的临床诊断、骨骼扫描、肺灌注成像和肺通气成像。在SPECT成像系统中，分布在人体内部的SPECT示踪剂在衰减过程中会发射出gamma光子，其中发射的gamma光子会被探测器上的探测单元所接收。上述的探测数据将被整理成一族二维的投影数据。投影数据不能直接使用，需要经过重建算法，才能被医生所使用。在低剂量条件下，探测器接收到的光子数减少会导致投影数据破坏，从而导致重建后的SPECT图像会有伪影和噪声，影响医生诊治。在临床上，我们希望保证病人安全的同时产生满足诊断需求的图像，尽可能降低对患者的辐射剂量。
[0003]在传统方法中，低剂量SPECT去噪的方法大致分为三类：正投影修复，迭代重建(IR)技术和SPECT图像后处理。这些方法可以在一定程度上对低剂量SPECT图像进行去噪，但是由于获取投影数据的复杂性，传统方法很难对噪声精确建模，滤波器的选择，各种算法会产生大量开销。
[0004]近年来，深度学习方法被用于处理低剂量SPECT图像去噪问题，如Unet、生产对抗网络(GAN)、编码
‑
解码结构等，向网络模型输入投影数据，通过监督学习使用有标签数据，让网络模型输出高质量重建图；这属于端到端处理方法，不易精确识别噪声，这些网络模型更像一个黑盒子，比较难以解释，也很难在临床上使用，而且临床数据大部分都是无标签的。如何用半监督学习利用这些无标签数据，实现由低剂量SPECT图像到高质量SPECT图像的去噪成为了一种非常重要的研究方向。
[0005]
技术实现思路

[0006]为了解决
技术介绍
问题，本专利技术提供了一种基于教师
‑
学生模型的低剂量SPECT图像去噪方法，该方法能够实现在低剂量的情况下，利用大量无标签数据，依然能够达到高质量的SPECT图像。
[0007]本专利技术的一种基于教师
‑
学生模型的低剂量SPECT图像去噪方法，包括以下步骤：S1：获取模拟生成的正常剂量投影投影数据，通过Preconditioned Alternating Projection Algorithms(PAPA)重建算法得到其对应的SPECT图像。
[0008]S2：获取模拟生成的低剂量投影投影数据，通过Preconditioned Alternating Projection Algorithms(PAPA)重建算法得到其对应的SPECT图像。
[0009]S3：根据步骤S1和S2获取大量样本，每一样本包括正常剂量SPECT图像和低剂量SPECT图像。
[0010]S4：将所有样本划分为训练集和测试集，并搭建教师
‑
学生网络模型，利用训练集样本中的低剂量SPECT图像作为双模型的输入，正常剂量SPECT图像作为标签，对整个网络模型进行训练。
[0011]S5：将测试集中的低剂量SPECT图像数据输入至训练完成后的网络模型中，使其与正常剂量SPECT图像进行比较。
[0012]进一步地，所述步骤S1和S2中具体实现方式为：利用仿真软件设置好正常剂量和低剂量的光子计数或者设置相关配置文件中的器官组织活性值，得到正常剂量和低剂量SPECT投影投影数据，之后采用Preconditioned Alternating Projection Algorithms(PAPA)重建算法对投影投影数据进行重建得到对应的SPECT图像。
[0013]进一步地，所述教师
‑
学生网络模型结构完全一样，即采用Unet网络结构，首先进行2次卷积，再进行下采样，总共依次执行4次卷积和下采样操作，将输入数据逐渐缩小，然后进行2次卷积，之后进行上采样，再进行2次卷积，总共依次执行4次上采样和卷积，之后进行1次卷积恢复到SPECT图像大小。
[0014]进一步地，所述步骤S4中对网络模型进行训练的具体过程如下：S41：初始化网络模型参数，学生模型采用正态分布初始化，教师模型采用Xavier正态分布初始化，对于教师模型，由于其为学生模型的动量集成，本身不参与梯度反向传播；S42：将训练集中低剂量SPECT图像数据输入网络模型，训练1500个epoch，使网络整个模型收敛，最后通过正向传播公式得到网络模型最终的输出；S43：计算网络模型有标签损失和无标签损失函数：Loss=其中：X(i)为对应第i个有标签样本的学生网络模型输出，为对应第i个有标签样本的真值标签，N为训练有标签样本个数；为正则化参数，Y(j)为对应第j个所有样本的学生网络模型输出，为对应第j个所有样本的教师网络模型输出；S44：求损失函数的偏导数，通过Adam算法更新学生网络模型中可学习的参数，再通过EMA算法让教师网络模型学习学生网络模型中的参数；S45：重复执行步骤S42S44直到整个网络模型收敛。
[0015]进一步地，所述步骤S5的测试阶段，没有学生网络模型的参与，测试集中的低剂量SPECT图像数据输入教师网络模型中，得到对应的SPECT图像。
[0016]本专利技术的有益效果：本专利技术提供的基于教师
‑
学生模型的低剂量SPECT图像去噪方法能够实现在低剂量的情况下，利用大量无标签数据，依然能够达到高质量的SPECT图像。
附图说明
[0017]图1 教师学生模型结构图。
[0018]图2 Unet网络结构图。
[0019]图3 不同方法不同比例数据的低剂量SPECT图像去噪对比图。
具体实施方式
[0020]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本专利技术作进一步详细说明。
[0021]本专利技术实施例中若有方向性指示（诸如上、下、左、右、前、后
……
）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0022]另外，在本专利技术中若涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
[0023]本专利技术实施例基于教师
‑
学生模型的低剂量SPECT图像去噪方法，具体步骤如下：获取数据：利用蒙特卡洛模拟软件SIMIND生成低剂量SPECT投影数据和正常剂量SPECT投影数据，每一样本包含低剂量SPECT投影数据和正常剂量SPECT投影数据。
[0024]在单光子发射计算机断层扫描(SPECT)系统中，探测器元件处的伽马光子探测是一个随时间泊松分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于教师
‑
学生模型的低剂量SPECT图像去噪方法，其特征在于，包括以下步骤：S1：获取模拟生成的正常剂量投影数据，通过Preconditioned Alternating Projection Algorithms重建算法得到其对应的SPECT图像；S2：获取模拟生成的低剂量投影数据，通过Preconditioned Alternating Projection Algorithms重建算法得到其对应的SPECT图像；S3：根据步骤S1和S2获取大量样本，每一样本包括正常剂量SPECT图像和低剂量SPECT图像；S4：将所有样本划分为训练集和测试集，并搭建教师
‑
学生网络模型，利用训练集样本中的低剂量SPECT图像作为双模型的输入，正常剂量SPECT图像作为标签，对整个网络模型进行训练；S5：将测试集中的低剂量SPECT图像数据输入至训练完成后的网络模型中，使其与正常剂量SPECT图像进行比较。2. 根据权利要求1所述基于教师
‑
学生模型的低剂量SPECT图像去噪方法，其特征在于：所述步骤S1和S2中具体实现方式为:利用仿真软件设置好正常剂量和低剂量的光子计数或者设置相关配置文件中的器官组织活性值，得到正常剂量和低剂量SPECT投影数据，之后采用Preconditioned Alternating Projection Algorithms重建算法对投影数据进行重建得到对应的SPECT图像。3.根据权利要求1所述基...

【专利技术属性】
技术研发人员：徐锦华，李斯，李风环，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：