一种基于模型驱动深度学习的动态PET图像重建方法技术

本发明专利技术公开了一种基于模型驱动深度学习的动态PET图像重建方法，其利用3D时空卷积同时提取动态投影数据时间域和空间域的关联性，且前后投影算符被融入到重建网络当中，具有很强的物理约束以及可解释性；本发明专利技术将动态PET图像重建问题拆分成若干个级联的重建块，每个重建块中包含一个主网络用来更新主图像域变量以及一个对偶网络来更新对偶测量域变量。本发明专利技术可以从超低计数的动态PET投影数据重建得到高质量的动态PET示踪剂活度分布图像，解决了目前主流的方法解释性不强，重建效果较差的问题。问题。问题。

【技术实现步骤摘要】
一种基于模型驱动深度学习的动态PET图像重建方法


[0001]本专利技术属于PET成像
，具体涉及一种基于模型驱动深度学习的动态PET图像重建方法。

技术介绍

[0002]动态PET成像可以对生物组织内的生理参数进行量化表征，在肿瘤探测、心脏疾病表征和药物研发等方面起到了不可或缺的作用。然而从动态测量数据出发进行图像重建非常具有挑战性，原因在于PET重建问题不适定的特性以及动态PET数据单帧图像的低计数特点，尤其是在早期时间帧，单帧图像的计数很低，重建得到的图像受严重的噪声影响。
[0003]此外，随着成像技术和探测器水平的不断提高，超快时间帧成像硬件技术上可以实现，但是现有的重建算法不能很好的对超低计数的投影数据进行高质量重建。传统的动态图像重建算法如滤波反投影、极大似然期望最大算法不能对时域信号进行建模，导致了重建图像在不同帧差异较大。
[0004]随着深度学习技术的发展，PET图像重建领域也涌现了一批新的基于深度学习的解决方案，如直接学习或者基于模型的学习。文献[G.Wang and J.Qi,“PET image reconstruction using kernel method,”IEEE transactions on medical imaging,vol.34,no.1,pp.61
–
71,2014]通过在核方法的基础上引入时间的先验，提升了重建效果，但是在实际应用中对于超快速时间帧、超低计数的数据，表现效果并不是很好，一部分原因是该方法的先验信息从单次重建的数据中获取，没有结合数据驱动方法的优势。文献[B.Wang and H.Liu,“FBP
‑
Net for direct reconstruction of dynamic PET images,”Physics in Medicine&Biology,vol.65,no.23,p.235008,2020]通过结合传统的滤波反投影算法和一个去噪神经网络，实现了比较不错的动态重建效果，但是该方法由于没有考虑到PET仪器物理特性相关的的系统矩阵约束，从而具有较差的可解释性和泛化性。
[0005]由此可见，现有技术要么没有很好的利用动态投影数据在时域上的相关性，要么缺少物理上的约束导致重建结果不稳定，并且在超低计数的情况下表现不佳，从而限制了超快时间帧PET成像技术的发展。为了得到较好的重建质量，现有的动态重建方法往往需要较长采集时间的投影数据，然而长的扫描时间又会不可避免地引入运动伪影，从而进一步恶化了重建图像的质量。

技术实现思路

[0006]鉴于上述，本专利技术提供了一种基于模型驱动深度学习的动态PET图像重建方法，可以从超低计数的动态投影数据重建得到高质量的动态PET示踪剂活度分布图，可以有效的利用动态投影数据的时空关联性，并结合了物理投影矩阵的约束，具有较强的可解释性。
[0007]一种基于模型驱动深度学习的动态PET图像重建方法，包括如下步骤：
[0008](1)利用探测器对注入放射性药物的生物组织进行探测，采集得到对应的动态正弦图投影数据Y；
[0009](2)对动态正弦图投影数据Y进行重建得到对应的动态PET示踪剂活度分布图X；
[0010](3)根据步骤(1)和(2)多次执行以获得大量样本，每一样本均包含有动态正弦图投影数据Y及其对应的动态PET示踪剂活度分布图X，进而将所有样本划分为训练集、验证集和测试集；
[0011](4)根据动态PET测量方程将动态重建问题转化为带正则项的泊松对数似然优化问题，并利用对偶变量的性质将该优化问题转化为对应的鞍点问题；
[0012](5)利用主对偶网络交替更新主变量和对偶变量来求解上述鞍点问题，从而构建用于动态PET图像重建的STPD
‑
Net模型，该模型由若干个重建模块级联而成，每个重建模块由主网络和对偶网络连接组成；
[0013](6)利用训练集样本中的Y作为STPD
‑
Net模型的输入，X作为标签，对STPD
‑
Net模型进行训练，从而得到最终的动态PET图像重建模型；
[0014](7)将测试集样本中的Y输入至动态PET图像重建模型中，即可直接重建输出对应的动态PET示踪剂活度分布图。
[0015]进一步地，所述动态PET测量方程的表达式如下：
[0016]Y＝G
·
X+R
[0017]其中：G为系统响应矩阵，R为随机及散射的噪声项。
[0018]进一步地，所述步骤(4)中带正则项的泊松对数似然优化问题表达式如下：
[0019][0020]其中：L(Y|X)为泊松似然项且R()表示正则项，I为探测器的总数量，T为时间帧的总数量，λ为正则项惩罚系数，Y
i,t
表示动态正弦图投影数据Y中第i行第t列的元素值，表示动态正弦图投影数据中第i行第t列的元素值，E()为期望函数。
[0021]进一步地，所述步骤(4)中鞍点问题的表达式如下：
[0022][0023]其中：sup<>表示集合上确界，L
*
(Y|X)表示L(Y|X)的共轭。
[0024]进一步地，所述步骤(5)中利用主对偶网络交替更新主变量和对偶变量来求解鞍点问题的表达式如下：
[0025][0026][0027]其中：P()表示主网络，D()表示对偶网络，表示第k次迭代的动态PET示踪剂活度分布图X k
中第j行第t列的元素值，分别表示第k
‑
1次迭代的动态PET示踪剂活度分布图X k
‑1中第j行第t列的元素值，表示第k次迭代的对偶变量h
k
中第i行第t列的元素值，表示第k
‑
1次迭代的对偶变量h
k
‑1中第i行第t列的元素值，G
*
表示系统响应矩阵G的
共轭，k为大于0的自然数，j为自然数且1≤j≤N，N为PET示踪剂活度分布图的总像素点数量。
[0028]进一步地，所述对偶网络的输入包括对偶变量h
k
‑1、动态PET示踪剂活度分布图X k
‑1以及动态正弦图投影数据Y，输出为迭代更新后的对偶变量h
k
，X k
‑1先经过正向投影操作后与h
k
‑1以及Y进行通道维度的拼接，然后将拼接得到的结果依次通过四个3D时空卷积层进行时空特征提取，最后将提取得到的特征与h
k
‑1进行通道维度拼接后输出即为h
k
。
[0029]进一步地，所述主网络的输入包括对偶变量h
k
以及动态PET示踪剂活度分布图X k
‑1，输出为迭代更新后的动态PET示踪剂活度分布图X k
，h
k
先经过反向投影操作后与X k
‑1进行通道维度的拼接，然后将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型驱动深度学习的动态PET图像重建方法，包括如下步骤：(1)利用探测器对注入放射性药物的生物组织进行探测，采集得到对应的动态正弦图投影数据Y；(2)对动态正弦图投影数据Y进行重建得到对应的动态PET示踪剂活度分布图X；(3)根据步骤(1)和(2)多次执行以获得大量样本，每一样本均包含有动态正弦图投影数据Y及其对应的动态PET示踪剂活度分布图X，进而将所有样本划分为训练集、验证集和测试集；(4)根据动态PET测量方程将动态重建问题转化为带正则项的泊松对数似然优化问题，并利用对偶变量的性质将该优化问题转化为对应的鞍点问题；(5)利用主对偶网络交替更新主变量和对偶变量来求解上述鞍点问题，从而构建用于动态PET图像重建的STPD
‑
Net模型，该模型由若干个重建模块级联而成，每个重建模块由主网络和对偶网络连接组成；(6)利用训练集样本中的Y作为STPD
‑
Net模型的输入，X作为标签，对STPD
‑
Net模型进行训练，从而得到最终的动态PET图像重建模型；(7)将测试集样本中的Y输入至动态PET图像重建模型中，即可直接重建输出对应的动态PET示踪剂活度分布图。2.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述动态PET测量方程的表达式如下：Y＝G
·
X+R其中：G为系统响应矩阵，R为随机及散射的噪声项。3.根据权利要求2所述的动态PET图像重建方法，其特征在于：所述步骤(4)中带正则项的泊松对数似然优化问题表达式如下：其中：L(Y|X)为泊松似然项且R()表示正则项，I为探测器的总数量，T为时间帧的总数量，λ为正则项惩罚系数，Y
i,t
表示动态正弦图投影数据Y中第i行第t列的元素值，表示动态正弦图投影数据中第i行第t列的元素值，E()为期望函数。4.根据权利要求3所述的动态PET图像重建方法，其特征在于：所述步骤(4)中鞍点问题的表达式如下：其中：sup<>表示集合上确界，L
*
(Y|X)表示L(Y|X)的共轭。5.根据权利要求4所述的动态PET图像重建方法，其特征在于：所述步骤(5)中利用主对偶网络交替更新主变量和对偶变量来求解鞍点问题的表达式如下：
其中：P()表示主网络，D()表示对偶网络，表示第k次迭代的动态PET示踪剂活度分布图X
k
中第j行第t列的元素值，分别表示第k
‑
1次迭代的动态PET示踪剂活度分布图X
k<...

【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：