一种基于深度神经网络的低剂量PET图像重建方法技术

本发明专利技术公开了一种基于深度神经网络的低剂量PET图像重建方法，具体为：将标准剂量重建的影像数据增强后前向投影生成无噪声投影域数据，添加泊松噪声模拟低剂量情形，生成仿真数据集；通过将图像分块并投影的方式生成正弦图掩码；利用掩码构建网络模型，使用混合损失函数和生成的数据集对深度神经网络进行训练；根据评价指标，判断图像重建效果是否满足要求：满足则进入下一步；否则更改网络结构，修改优化函数、学习率和损失函数的参数，重新训练；通过截断奇异值分解减少全连接层参数；将实际采集的正弦图数据，作为深度神经网络模型的输入，计算得到重建的影像。本发明专利技术减少了图像重建的计算时间，提高了低计数率情形下重建影像的信噪比。的信噪比。的信噪比。

【技术实现步骤摘要】
一种基于深度神经网络的低剂量PET图像重建方法


[0001]本专利技术涉及核医学成像
，特别地是一种基于深度神经网络的低剂量PET(正电子发射断层显像仪)图像重建方法。

技术介绍

[0002]正电子发射断层显像仪是医学疾病诊断常用的医学影像之一,通过给患者注射放射性示踪剂，PET可以检测人体组织在分子层面的代谢活动和生理过程，但示踪剂的放射性会对患者造成潜在的辐射风险，造成遗传损伤和癌变疾病，然而如果减少示踪剂浓度和检测时间，然而这会使得检测到的光子减少，重建的影像出现严重的伪影和噪声。
[0003]常用的反投影滤波算法和迭代重建后滤波算法都存在一些不足：反投影滤波算法的计算速度快，但是重建影像质量差，噪声大等缺点；迭代重建算法考虑了噪声模型，能更好的恢复图像细节，抑制噪声，但是其消耗的计算资源较多，重建时间长。此外，在低剂量成像中，由于获取的正弦图计数率低，存在的统计学噪声多，两种算法重建的影像会出现严重的噪声和细节丢失等现象。
[0004]总之，现有的算法在低剂量成像的应用中存在重建时间长和图像信噪比低等问题。

技术实现思路

[0005]本专利技术的目的在于提供一种快速、准确的基于深度神经网络的低剂量PET图像重建方法。
[0006]实现本专利技术目的的技术解决方案为：一种基于深度神经网络的低剂量PET图像重建方法，步骤如下：
[0007]步骤S1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集；/>[0008]步骤S2、通过将图像分块并前向投影，生成正弦图掩码；
[0009]步骤S3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练；
[0010]步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练；
[0011]步骤S5、基于截断奇异值分解减小网络参数；
[0012]步骤S6、将真实PET系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像。
[0013]本专利技术与现有技术相比，其显著优点为：(1)可以直接从投影域的正弦图数据重建为PET影像数据，不需要迭代重建，所需时间短，在全身PET成像和动态成像能够快速成像；(2)提出网络能更好的保留图像的细节，减少重建影像的噪声和伪影，在低计数的情形下仍
能减少噪声、提高信噪比。
附图说明
[0014]图1是本专利技术基于深度神经网络的低剂量PET图像重建的流程图。
[0015]图2是本专利技术生成仿真数据的过程示例图。
[0016]图3是本专利技术生成的正弦图掩码的示例图。
[0017]图4是使用的深度神经网络结构图。
[0018]图5是网络重建的影像的实例图。
具体实施方式
[0019]本专利技术的目的在于提供一种基于深度神经网络的的低剂量正电子发射断层显像仪的图像重建方法，解决传统迭代重建算法存在的重建时间长，和低计数率情形下，重建影像信噪比低，细节模糊等问题。
[0020]结合图1，本专利技术一种基于深度神经网络的的低剂量正电子发射断层显像仪(PET)的图像重建方法，包括以下步骤：
[0021]步骤S1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集；
[0022]步骤S2、通过将图像分块并前向投影，生成正弦图掩码；
[0023]步骤S3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练；
[0024]步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练；
[0025]步骤S5、基于截断奇异值分解减小网络参数；
[0026]步骤S6、将真实PET系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像。
[0027]作为一种具体示例，步骤S1中，仿真数据集的生成过程具体如下：
[0028]S11、将标准剂量重建的PET影像通过随机旋转，镜像翻转，上下左右平移的方式生成不同形状PET影像；
[0029]S12、基于投影矩阵将PET影像前向投影生成无噪声正弦图；
[0030]S13、将无噪声正弦图归一化特定计数率区间并添加泊松噪声，得到仿真数据集。
[0031]作为一种具体示例，步骤S2中，生成正弦图掩码，具体如下：
[0032]S21、将PET图像分块，每个分块由缓冲区包围；
[0033]S22、将分块后的影像前向投影，生成正弦图，将正弦图二值化作为正弦图的掩码。
[0034]作为一种具体示例，步骤S3中所述构建深度神经网络模型结构，设置训练超参数、优化算法，其中优化算法采用Adam算法，网络模型结构如下：
[0035]深度神经网络模型结构包含域变换模块和图像增强模块；
[0036]域变换模块包含掩码选择和全连接层两个部分；掩码选择部分使用预先生成的掩码选取特定区域的正弦图数据，输入到全连接层中，将输出的一维数据重组为二维的图像
块，并将这些图像块组合；
[0037]图像增强模块由一个U
‑
Net结构的网络组成，包含了编码器、瓶颈层和解码器三个部分，编码器有3层，每一层由1个残差块构成，每一层的输出作为下一层的输入和对应编码器层的输入；瓶颈层包含1个残差块；解码器和编码器的层数相同，每一层包含1个像素重排层用于上采样和1个残差块用于特征的解码；解码器最后一层输出的特征图经过1
×
1卷积后输出PET影像。
[0038]作为一种具体示例，步骤S3中所述使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练，其中混合损失函数L
mix
(x,y)的公式如下：
[0039]L
mix
(x,y)＝α1L
l1
(x,y)+α2L
MS
‑
SSIM
(x,y)+βL
VGG
(x,y)
[0040]其中α1，α2和β为超参数；
[0041]平均绝对误差损失L
l1
(x,y)公式为：
[0042][0043]其中，x表示实际的PET影像，y表示深度神经网络模型输出的预测PET影像，N表示真实影像的像素个数；
[0044]多尺度结构相似度损失L
MS
‑
SSIM
(x,y)公式为：...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤如下：步骤S1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集；步骤S2、通过将图像分块并前向投影，生成正弦图掩码；步骤S3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练；步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练；步骤S5、基于截断奇异值分解减小网络参数；步骤S6、将真实PET系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像。2.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S1中，仿真数据集的生成过程具体如下：S11、将标准剂量重建的PET影像通过随机旋转，镜像翻转，上下左右平移的方式生成不同形状PET影像；S12、基于投影矩阵将PET影像前向投影生成无噪声正弦图；S13、将无噪声正弦图归一化特定计数率区间并添加泊松噪声，得到仿真数据集。3.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S2中，生成正弦图掩码，具体如下：S21、将PET图像分块，每个分块由缓冲区包围；S22、将分块后的影像前向投影，生成正弦图，将正弦图二值化作为正弦图的掩码。4.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S3中所述构建深度神经网络模型结构，设置训练超参数、优化算法，其中优化算法采用Adam算法，网络模型结构如下：深度神经网络模型结构包含域变换模块和图像增强模块；域变换模块包含掩码选择和全连接层两个部分；掩码选择部分使用预先生成的掩码选取特定区域的正弦图数据，输入到全连接层中，将输出的一维数据重组为二维的图像块，并将这些图像块组合；图像增强模块由一个U
‑
Net结构的网络组成，包含了编码器、瓶颈层和解码器三个部分，编码器有3层，每一层由1个残差块构成，每一层的输出作为下一层的输入和对应编码器层的输入；瓶颈层包含1个残差块；解码器和编码器的层数相同，每一层包含1个像素重排层用于上采样和1个残差块用于特征的解码；解码器最后一层输出的特征图经过1
×
1卷积后输出PET影像。5.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S3中所述使用混合损失函数...

【专利技术属性】
技术研发人员：崔珂，叶剑波，李翔宇，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：