一种基于原始-对偶网络的列表模式TOF-PET重建方法技术

本发明专利技术公开了一种基于原始

【技术实现步骤摘要】
一种基于原始
‑
对偶网络的列表模式TOF
‑
PET重建方法


[0001]本专利技术属于PET成像
，具体涉及一种基于原始
‑
对偶网络的列表模式TOF
‑
PET重建方法。

技术介绍

[0002]正电子发射断层成像(Positron emission tomography，PET)是一种先进的医学成像技术，它能够获得人体组织内代谢、血流等活动的分布图，是检测和预防各类疾病的有效手段。PET通过探测正负电子在人体内发生湮灭反应时产生的一对方向相反能量为511keV的伽马光子，以此确定在哪一条相应线(Line of Response，LOR)上发生了湮灭反应。在探测到多次的湮灭反应后，通过特定的重建算法，将这些发生湮灭反应的LOR信息重建为活度图，而在PET重建的过程中加入飞行时间(Time
‑
of
‑
Flight，TOF)信息则更进一步，除了确定湮灭反应是在哪一条LOR上发生的以外，还尝试通过测量两个伽马光子到达探测器的时间差来大致确定湮灭反应发生在LOR的哪一个区间内。TOF
‑
PET相对于传统的PET能够增强重建图像的质量，并提高疾病检测的准确率；随着探测器硬件的探测精度的提升，TOF的时间分辨率随之提高，TOF信息给PET重建所带来的优势也越加明显。
[0003]目前，用于TOF
‑
PET重建的方法主要有最大似然期望最大化(MLEM)、最大后验(MAP)、原始对偶混合梯度(PDHG)等方法，这些基于模型的迭代算法公式化PET探测中符合的条件分布，通过不同的迭代方式，给出在统计意义上图像的极大似然作为重建结果，此类方法能够在统计意义上给出正确的重建结果。然而，这些基于迭代的算法具有计算效率低的缺点，且当应用于低计数探测的重建时，这些算法可能产生质量非常差的重建图像。目前，深度学习由于其高计算效率与数据驱动的特性成为图像重建领域中最常用的技术之一，有大量研究表明，基于模型的深度学习方法能够有效地重建出高质量地PET图像，且基于模型的理论给予了深度学习以一定的可解释性。然而目前鲜有基于模型的深度学习的方法应用于TOF
‑
PET的重建之中，其主要原因在于应用于TOF
‑
PET重建的基于模型的深度学习方法往往需要消耗极大量的显存。目前最先进的TOF
‑
PET扫描仪扫描得到的正弦图(sinogram)数据大约占用17GB的内存空间，若将其对应到一张维度为128
×
128的活度图中，其所对应的完整投影矩阵大约需要占用大约272TB的显存空间，而投影矩阵是基于模型的深度学习方法中不可或缺的信息，这是非常难以接受的显存消耗。
[0004]与sinogram相对，列表模式(list
‑
mode)是对于PET探测的一种更原始的存储方式，区别于sinogram需要将信息存储在一个固定大小的三维矩阵中，list
‑
mode存储模式存储每一个符合事件的特定信息，包括两个接收探测器的位置、TOF时间、光子能量等等，每一个符合事件的特定信息存储为一行，则所有符合事件存储为一种列表模式。这种存储方式的优点在于，其中的每一条数据均代表了一次有效的符合事件，即其中没有无效的信息；而对于TOF
‑
PET的sinogram，其矩阵会包含有大量的“空箱”，即会有大量的显存空间会被浪费掉。
[0005]而list
‑
mode格式也存在一定的问题，在于其对应的投影矩阵会随探测得到的数
据的不同而变化，则若需要在基于模型的深度学习框架中应用投影矩阵时，需要实时地计算投影矩阵。因此，如何快速正确地完成投影矩阵的计算并将其应用于基于模型的深度学习方法，是目前在TOF
‑
PET领域中需要解决的问题。

技术实现思路

[0006]鉴于上述，本专利技术提供了一种基于原始
‑
对偶网络的列表模式TOF
‑
PET重建方法，首次实现了list
‑
mode数据应用于基于模型的深度学习方法中，解决了list
‑
mode在TOF
‑
PET条件下实时计算投影矩阵的问题。
[0007]一种基于原始
‑
对偶网络的列表模式TOF
‑
PET重建方法，包括如下步骤：
[0008](1)确定PET扫描仪的具体参数及配置信息；
[0009](2)使用PET扫描仪对生物组织进行PET扫描，探测得到list
‑
mode数据；
[0010](3)根据步骤(2)获得大量样本，每组样本包括list
‑
mode数据及其对应的PET图像标签，进而将所有样本划分为训练集、验证集和测试集；
[0011](4)计算每组样本中list
‑
mode数据对应的投影矩阵；
[0012](5)构建基于多层级联的神经网络模型，其每一层由前投影模块、对偶模块、反投影模块、原始模块依次连接组成；
[0013](6)利用训练集样本对上述神经网络模型进行训练学习，得到PET图像重建模型；
[0014](7)将测试集样本输入至训练好的PET图像重建模型中，即可重建得到对应的PET图像。
[0015]进一步地，所述步骤(1)中确定PET扫描仪的具体参数及配置信息，包括探测器的环数、每个环上探测器模块的数量及位置、每个探测器模块上探测晶体的数量及位置、探测器符合时间分辨率、设置的TOF
‑
bin个数及长度、重建图像的位置及大小。
[0016]进一步地，所述步骤(2)中探测得到list
‑
mode数据的大小为J
×
5，J为一次探测得到的符合事件数，5代表list
‑
mode数据中的每一条数据需保留的5个信息，前4个信息分别为两个接收到光子的探测器各自的径向晶体编号及轴向晶体编号，第5个信息为符合事件所在的TOF
‑
bin序号。
[0017]进一步地，所述步骤(4)中计算list
‑
mode数据对应投影矩阵的过程由CUDA并行计算完成，即以list
‑
mode数据中的一条数据作为并行计算的一个线程，采用线性插值的方法通过以下公式计算出list
‑
mode数据对应的投影矩阵P：
[0018]P[j][nW+m]＝∈
j
·
ρ
·
Δs
[0019]P[j][(n+1)W+m]＝∈
j
·
(1
‑
ρ)
·
Δs
[0020]其中：投影矩阵P的大小为J
×
WH，W和H分别为PET图像的宽度和高度，J为一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于原始
‑
对偶网络的列表模式TOF
‑
PET重建方法，包括如下步骤：(1)确定PET扫描仪的具体参数及配置信息；(2)使用PET扫描仪对生物组织进行PET扫描，探测得到list
‑
mode数据；(3)根据步骤(2)获得大量样本，每组样本包括list
‑
mode数据及其对应的PET图像标签，进而将所有样本划分为训练集、验证集和测试集；(4)计算每组样本中list
‑
mode数据对应的投影矩阵；(5)构建基于多层级联的神经网络模型，其每一层由前投影模块、对偶模块、反投影模块、原始模块依次连接组成；(6)利用训练集样本对上述神经网络模型进行训练学习，得到PET图像重建模型；(7)将测试集样本输入至训练好的PET图像重建模型中，即可重建得到对应的PET图像。2.根据权利要求1所述的列表模式TOF
‑
PET重建方法，其特征在于：所述步骤(1)中确定PET扫描仪的具体参数及配置信息，包括探测器的环数、每个环上探测器模块的数量及位置、每个探测器模块上探测晶体的数量及位置、探测器符合时间分辨率、设置的TOF
‑
bin个数及长度、重建图像的位置及大小。3.根据权利要求1所述的列表模式TOF
‑
PET重建方法，其特征在于：所述步骤(2)中探测得到list
‑
mode数据的大小为J
×
5，J为一次探测得到的符合事件数，5代表list
‑
mode数据中的每一条数据需保留的5个信息，前4个信息分别为两个接收到光子的探测器各自的径向晶体编号及轴向晶体编号，第5个信息为符合事件所在的TOF
‑
bin序号。4.根据权利要求1所述的列表模式TOF
‑
PET重建方法，其特征在于：所述步骤(4)中计算list
‑
mode数据对应投影矩阵的过程由CUDA并行计算完成，即以list
‑
mode数据中的一条数据作为并行计算的一个线程，采用线性插值的方法通过以下公式计算出list
‑
mode数据对应的投影矩阵P：P[j][nW+m]＝∈
j
·
ρ
·
ΔsP[j][(n+1)W+m]＝∈
j
·
(1
‑
ρ)
·
Δs其中：投影矩阵P的大小为J
×
WH，W和H分别为PET图像的宽度和高度，J为一次探测得到的符合事件数，P[j][nW+m]为投影矩阵P中第j行第nW+m列的元素值，n和m分别为PET图像的行序号和列序号，∈
j
为PET图像像素对第j条数据对应TOF<...

【专利技术属性】
技术研发人员：刘华锋，李晨旭，方静宛，
申请(专利权)人：浙江大学，
类型：发明
国别省市：