一种带有三维自适应滤波反投影神经网络的图像重建方法技术

本发明专利技术提供了一种带有三维自适应滤波反投影神经网络的图像重建方法，能够实现响应线直接编码，完成端到端的三维成像

【技术实现步骤摘要】
一种带有三维自适应滤波反投影神经网络的图像重建方法


[0001]本专利技术属于正电子湮灭
，特别涉及一种带有三维自适应滤波反投影神经网络的图像重建方法
。

技术介绍

[0002]PET
重建算法大致分为三类：解析法重建法
、
迭代重建法和基于神经网络的重建法
。
滤波反投影是应用最广泛的解析重建法，该方法基于
Radon
反变换，为消除“回抹”过程产生的伪影，加入斜坡滤波，重建速度快但是获得的图像含有大量噪声和伪影
。
迭代重建法在图像重建过程中引入
PET
成像的物理过程和统计模型作为约束条件，求得图像的最优解，分为代数迭代和统计迭代，常见算法有
MLEM
算法
、OSEM
算法，获得图像质量高但占用存储空间大且重建速度慢
。
对三维图像重建，由于斜层数据的存在，正弦图数据量相比二维重建大大增加，采样传统图像重建所需的存储空间成倍增加，重建速度更慢
。
[0003]近年来神经网络广泛应用于图像重建
、
图像恢复
、
目标检测等领域并取得重大突破，许多研究亦将神经网络技术用于
PET
重建中，大致分为以下几种：一是将神经网络作为后处理工具，将传统算法重建出的原始图像作为网络输入，进行去噪和超分辨率成像等方法获得更高质量的
PET
图像
。
二是将神经网络作前处理工具，对原始投影数据进行处理，从低分辨率正弦图中预测出高分辨率
。
也有部分学者将神经网络与迭代算法结合，可重建出具有更多细节的图像
。
虽然这些方法易于实现，但是最终重建结果易收到传统算法的影响，尤其是很多传统算法需要手动选择正则项以确保重建图像的质量
。
此外，这些基于迭代算法的深度学习方法由于需要进行多次投影和反投影操作，重建过程非常耗时
。
综合上述不足，现有的
PET
重建算法不适用于工业场景下对流体流动过程进行动态成像
。

技术实现思路

[0004]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种带有三维自适应滤波反投影神经网络的图像重建方法，该方法把可学习滤波反投影作为编码器的一部分，融入
Unet
网络用于解码，实现响应线数据到图像的端到端重建
。
本专利技术方法包括以下步骤：
[0005]步骤1，将正电子发射断层成像
PET(Positron Emission Tomography,PET)
设备采集到的响应线数据作为自适应滤波反投影神经网络的输入，对输入的数据进行编码操作，实现正弦图域到图像域的转化；所述神经网络的输出为重建图像，所述神经网络包括可学习滤波层
、
反投影层
、Unet
模块，其中可学习滤波层的滤波参数进行自适应调整；
[0006]步骤2，滤波器进行初始化，获得可学习滤波矩阵，滤波矩阵中的值
γ
ij
是待学习的参数，并构建惩罚项，后续将通过神经网络的反向传递，根据惩罚系数，滤波矩阵自适应学习到最佳参数；
[0007]步骤3，响应线数据先通过可学习滤波层抑制高频与低频信号，根据正电子发射断层成像
PET
设备的探测器噪音，自主选择抑制程度，具体滤波操作为响应线数据的频域值与
可学习滤波矩阵进行元素间相乘，获得滤波后结果，再通过二维傅里叶逆变换
、
去补零，完成滤波；
[0008]步骤4，滤波后数据经过反投影层；
[0009]步骤5，
Unet
模块先由三维卷积块
、
残差块与下采样进行编码，再由三维卷积块
、
残差块与上采样进行解码，最终神经网络输出重建图像，通过带有自定义惩罚项的损失函数，重建图像与标签图像计算损失值
LOSS
；通过神经网络的反向传递更新网络每层的权重参数，根据惩罚系数调整滤波层对低频信号的抑制，更新二维滤波矩阵中的待学习的参数，当新一轮响应线数据输入，重复补零
、
二维傅里叶变换步骤，与更新后的滤波矩阵进行点乘运算，滤除噪声得到滤波后的正弦图；
[0010]步骤6，重复步骤1～步骤5进行神经网络训练，直至损失值收敛，此时神经网络训练完成，保存网络参数；
[0011]步骤7，训练完成时得到
PET
三维流场图像重建模型，将待重建的原始响应线数据输入至
PET
三维流场图像重建模型，输出得到高质量的三维流场图像
。
[0012]步骤2中，为了提高频率分辨率，首先对响应线数据补零到横轴长度
2[log2(2B
‑
1)]，
B
为探测器的投影角度数量，然后做傅里叶变换转到频域，生成尺寸与频域响应线数据一致的初始化二维滤波矩阵，滤波矩阵每行与探测器的每个投影角度对应，滤波矩阵的初始值由斜坡滤波器加矩形限波窗获得，先根据输入响应线数据经过补零
、
二维傅里叶变换后得到的频域尺寸，限制初始化滤波矩阵大小，滤波矩阵长度为
2[log2(2B
‑
1)]；
[0013]加入限波窗，实现抑制高频
、
低频信号的同时，控制对低频信号的抑制程度，一轮训练结束后，神经网络反向传递更新滤波矩阵的值反向传递公式为：
[0014][0015]其中
η
是学习率，设定大小
0.000045
，
L
是损失值
LOSS
，使用更新后的滤波器进行滤波操作，迭代直至神经网络整体输出的损失收敛，此时获得的滤波器参数为学习到的最优参数
。
[0016]步骤2中，正电子发射断层成像
PET
设备的探测器中采集到的所有投影数据都作为可学习滤波层的输入，滤波结果作为可学习滤波层的输出，每一角度需要的滤波参数作为一个独立的可学习的权重
。
[0017]步骤2中，频率零点位置的幅值与最高幅值的差值构成自定义惩罚项，再通过神经网络反向传递，根据惩罚系数调整滤波层对低频信号的抑制，滤除噪声得到滤波后的正弦图
。
[0018]步骤4中，所述反投影层包括反投影操作和
dropout
模块，
dropout
模块防止神经网络过拟合，
dropout
模块包括
dropblock
层
、
归一化层和激活层
。
[0019]步骤5中，神经网络输入为原始响应线数据，输出为重建图像，将自适应滤波反投影作为神经网络的编码的一部分，而不是前处理，实现响应线数据到图像的直接重建，在神经网络的卷积层部分，每层使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种带有三维自适应滤波反投影神经网络的图像重建方法，其特征在于，包括以下步骤：步骤1，将正电子发射断层成像
PET
设备采集到的响应线数据作为自适应滤波反投影神经网络的输入，对输入的数据进行编码操作，实现正弦图域到图像域的转化；所述神经网络的输出为重建图像，所述神经网络包括可学习滤波层
、
反投影层
、Unet
模块；步骤2，滤波器进行初始化，获得可学习滤波矩阵，滤波矩阵中的值
γ
ij
是待学习的参数，并构建惩罚项，后续将通过神经网络的反向传递，根据惩罚系数，滤波矩阵自适应学习到最佳参数；步骤3，响应线数据先通过可学习滤波层抑制高频与低频信号，根据正电子发射断层成像
PET
设备的探测器噪音，自主选择抑制程度，具体滤波操作为响应线数据的频域值与可学习滤波矩阵进行元素间相乘，获得滤波后结果，再通过二维傅里叶逆变换
、
去补零，完成滤波；步骤4，滤波后数据经过反投影层；步骤5，
Unet
模块先由三维卷积块
、
残差块与下采样进行编码，再由三维卷积块
、
残差块与上采样进行解码，最终神经网络输出重建图像，通过带有自定义惩罚项的损失函数，重建图像与标签图像计算损失值
LOSS
；通过神经网络的反向传递更新网络每层的权重参数，根据惩罚系数调整滤波层对低频信号的抑制，更新二维滤波矩阵中的待学习的参数，当新一轮响应线数据输入，重复补零
、
二维傅里叶变换步骤，与更新后的滤波矩阵进行点乘运算，滤除噪声得到滤波后的正弦图；步骤6，重复步骤1～步骤5进行神经网络训练，直至损失值收敛，此时神经网络训练完成，保存网络参数；步骤7，训练完成时得到
PET
三维流场图像重建模型，将待重建的原始响应线数据输入至
PET
三维流场图像重建模型，输出得到高质量的三维流场图像
。2.
根据权利要求1所述的方法，其特征在于，步骤2中，首先对响应线数据补零到横轴长度
2[log2(2B
‑
1)]
，
B
为探测器的投影角度数量，然后做傅里叶变换转到频域，生成尺寸与频域响应线数据一致的初始化二维滤波矩阵，滤波矩阵每行与探测器的每个投影角度对应，滤波矩阵的初始值由斜坡滤波器加矩形限波窗获得，先根据输入响应线数据经过补零
、
二维傅里叶变换后得到的频域尺寸，限制初始化滤波矩阵大小，滤波矩阵长度为
2[log2(2B
‑
1)]
；加入限波窗，实现抑制高频
、
低频信号的同时，控制对低频信...

【专利技术属性】
技术研发人员：刘铭，赵敏，姚敏，郭瑞鹏，陈舒熠，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：