本发明专利技术公开了一种基于列表数据和深度学习的PET重建模型构建方法，其通过域转化函数将列表模式数据和深度学习计数进行结合，解决了列表模式数据难以直接通过深度神经网络进行处理的问题。通过域转化函数，本发明专利技术可以对任意格式以及任意存储大小的列表模式数据从测量域转化到图像域，从而可以利用端到端的深度神经网络方法直接处理学习。本发明专利技术利用深度学习进行列表模式数据重建，和其他用于列表模式数据重建的方法相比，大大提升了重建速度；对于列表模式MLEM算法来说，重建一张大脑图像需要几十秒的时间，而本发明专利技术只需要1秒钟左右就可以重建完成，在实时重建以及短时间帧重建等领域有更大的应用潜力。等领域有更大的应用潜力。等领域有更大的应用潜力。
【技术实现步骤摘要】
一种基于列表数据和深度学习的PET重建模型构建方法
[0001]本专利技术属于PET成像
，具体涉及一种基于列表数据和深度学习的PET重建模型构建方法。
技术介绍
[0002]在PET成像中，必须将测量到的PET原始数据重建成图像以供进一步研究。PET图像重建最常见的方法是基于正投影图的重构，这需要将测量的原始数据(列表模式数据)重新排列成投影格式数据。然而，从列表模式数据到投影数据的转换往往会导致空间和时间采样的降低，从而不可避免地导致空间分辨率的降低。此外，正弦图数据的重建时间无论计数多少或采集时间长短都是大致恒定的，这限制了PET图像的一些潜在应用，比如实时PET成像、短时间帧重建等。同时，由于现代PET扫描器的结构逐渐复杂化，响应线的数量很可能超过探测到的事件数量，而投影格式的数据就会不可避免地存储一些空的单元，这对于存储介质来说是一种浪费。例如高分辨科研型PET在进行一次11C动态的18帧，每帧5分钟左右的检查，将产生29GB正弦图数据，而如果用列表模式数据存储只需要5～6GB的空间。
[0003]文献[张斌,单保慈,贠明凯,赵书俊.基于list
‑
mode数据的PET断层重建原理与实现[J].生物医学工程学杂志,2012,29(05):814
‑
819]提出了基于列表模式的PET图像重建算法，这种PET图像重建算法可以对湮灭时间信息进行逐个处理，同时将测量到的晶体物理位置信息用于重建，可以潜在获得更好的空间分辨率，并且对低计数数据或者短时间帧数据重建速度更快，更加适用于运动伪影校正。基于列表数据的重建算法以列表模式MLEM算法为代表，但是目前的算法耗时比较长并且图像质量有待进一步提高，图像中高水平的噪声是一个亟待解决的问题。
[0004]目前从列表模式数据出发直接进行重建的算法主要以基于统计迭代的方法为主，包括上述提到的列表模式MLEM、划分子集加速算法，但由于缺乏先验知识的约束，基于统计迭代的方法往往存在着高噪声，重建时间长等问题。在此基础上，有学者提出在迭代方法的基础上加入先验约束，比如文献[Zhang Z,Ye J,Rose S,et al.Preliminary study of TV
‑
constrained
‑
likelihood
‑
maximization image reconstruction from list
‑
mode TOF
‑
PET data[C]//2016 IEEE Nuclear Science Symposium,Medical Imaging Conference and Room
‑
Temperature Semiconductor Detector Workshop(NSS/MIC/RTSD).IEEE,2016]提出全变分约束来改善列表模式数据的重建，但往往这些先验约束的参数需要人为确定，并且图像质量仍需要被进一步提升，重建时间长仍是一个亟待解决的问题。
[0005]近年来，深度学习方法在医学图像重建中展现了极大的应用潜力，但是目前用于PET图像重建中的深度学习方法几乎都是从投影域数据出发或者从图像与出发，而忽略了列表数据的应用潜力。
技术实现思路
[0006]鉴于上述，本专利技术提供了一种基于列表数据和深度学习的PET重建模型构建方法，可以实现列表模式数据的高质量重建，对于结构信息的恢复以及噪声的抑制都可以取得很好的表现，且与传统迭代方法相比，显著缩短了重建时间。
[0007]一种基于列表数据和深度学习的PET重建模型构建方法，包括如下步骤：
[0008](1)对PET模板图像进行模拟投影得到PET列表数据；
[0009](2)重复执行步骤(1)得到大量样本，并将所有样本划分为训练集、测试集和验证集，每一组样本包含PET列表数据以及对应的PET模板图像；
[0010](3)构建用于列表数据重建的ListmodeCNN模型；
[0011](4)利用训练集样本对ListmodeCNN模型进行训练，以PET列表数据作为输入，PET模板图像作为标签；
[0012](5)将测试集样本中的PET列表数据直接输入至训练好的模型中，直接重建输出PET图像，以对模型进行性能测试，测试完成即可利用该模型将PET列表数据直接重建得到PET图像。
[0013]进一步地，所述ListmodeCNN模型包括：
[0014]域转化单元，用于将输入的PET列表数据从测量域转化到图像域；
[0015]编解码单元，用于对图像域的PET列表数据进行重建得到PET图像。
[0016]进一步地，所述域转化单元采用列表数据反投影算法或单迭代次数的列表数据迭代重建算法将PET列表数据从测量域转化到图像域。
[0017]进一步地，所述编解码单元基于U型网络的设计，其结构包括编码单元、门控注意力单元以及解码单元，其中：
[0018]编码单元从输入到输出由卷积模块C1、密集模块M1、密集模块M2、下采样模块D1、密集模块M3、密集模块M4、下采样模块D2、密集模块M5、密集模块M6、下采样模块D3、密集模块M7、密集模块M8依次连接组成；
[0019]解码单元从输入到输出由上采样模块U1、卷积模块C2、密集模块M9、密集模块M10、上采样模块U2、卷积模块C3、密集模块M11、密集模块M12、上采样模块U3、卷积模块C4、密集模块M13、密集模块M14、卷积模块C5依次连接组成；
[0020]密集模块M2的输出与上采样模块U3的输入通过门控注意力单元融合后的输出结果与上采样模块U3的输出拼接作为卷积模块C4的输入；密集模块M4的输出与上采样模块U2的输入通过门控注意力单元融合后的输出结果与上采样模块U2的输出拼接作为卷积模块C3的输入；密集模块M6的输出与上采样模块U1的输入通过门控注意力单元融合后的输出结果与上采样模块U1的输出拼接作为卷积模块C2的输入；卷积模块C5的输出与卷积模块C1的输入叠加后作为编解码单元的输出即模型最终输出。
[0021]进一步地，所述卷积模块C1～C5采用双卷积层结构，每个卷积层采用3*3大小的卷积核，卷积后需经激活函数PReLU处理；所述下采样模块D1～D3采用2*2大小的卷积核，步长为2，卷积后需经激活函数PReLU处理。
[0022]进一步地，所述密集模块M1～M14从输入到输出由四个卷积层依次连接组成，所述卷积层采用3*3大小的卷积核，卷积后需经激活函数PReLU处理；对于任一卷积层，其将输入与输出拼接后作为下一卷积层的输入，最后一个卷积层的输出与第一个卷积层的输入叠加
后作为密集模块的输出。
[0023]进一步地，所述门控注意力单元利用高层特征来引导低层特征实现对图像细节特征进行注意，其采用1*1大小的卷积核分别对编码单元中对应密集模块的输出g以及解码单元中对应上采样模块的输入x进行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于列表数据和深度学习的PET重建模型构建方法，包括如下步骤：(1)对PET模板图像进行模拟投影得到PET列表数据；(2)重复执行步骤(1)得到大量样本，并将所有样本划分为训练集、测试集和验证集，每一组样本包含PET列表数据以及对应的PET模板图像；(3)构建用于列表数据重建的ListmodeCNN模型；(4)利用训练集样本对ListmodeCNN模型进行训练，以PET列表数据作为输入，PET模板图像作为标签；(5)将测试集样本中的PET列表数据直接输入至训练好的模型中，直接重建输出PET图像，以对模型进行性能测试，测试完成即可利用该模型将PET列表数据直接重建得到PET图像。2.根据权利要求1所述的PET重建模型构建方法，其特征在于：所述ListmodeCNN模型包括：域转化单元，用于将输入的PET列表数据从测量域转化到图像域；编解码单元，用于对图像域的PET列表数据进行重建得到PET图像。3.根据权利要求2所述的PET重建模型构建方法，其特征在于：所述域转化单元采用列表数据反投影算法或单迭代次数的列表数据迭代重建算法将PET列表数据从测量域转化到图像域。4.根据权利要求2所述的PET重建模型构建方法，其特征在于：所述编解码单元基于U型网络的设计，其结构包括编码单元、门控注意力单元以及解码单元，其中：编码单元从输入到输出由卷积模块C1、密集模块M1、密集模块M2、下采样模块D1、密集模块M3、密集模块M4、下采样模块D2、密集模块M5、密集模块M6、下采样模块D3、密集模块M7、密集模块M8依次连接组成；解码单元从输入到输出由上采样模块U1、卷积模块C2、密集模块M9、密集模块M10、上采样模块U2、卷积模块C3、密集模块M11、密集模块M12、上采样模块U3、卷积模块C4、密集模块M13、密集模块M14、卷积模块C5依次连接组成；密集模块M2的输出与上采样模块U3的输入通过门控注意力单元融合后的输出结果与上采样模块U3的输出拼接作为卷积模块C4的输入；密集模块M4的输出与上采样模块U2的输入通过门控注意力单元融合后的输出结果与上采样模块U2的输出拼接作为卷积模块C3的输入；密集模块M6的输出与上采...
【专利技术属性】
技术研发人员：刘华锋，胡睿，
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。