【技术实现步骤摘要】
本专利技术涉及医学图像重建领域，具体涉及一种基于半监督预训练模型的低剂量spect图像去噪方法。
技术介绍
1、单光子发射型断层扫描(spect)是一种非侵入性的分子成像技术，已在临床诊断中被广泛应用，包括心血管疾病、骨骼扫描、肺灌注成像和肺通气成像等方面。spect成像系统中，人体内分布的spect示踪剂在衰减过程中会释放gamma光子，这些光子会被探测器上的探测单元所捕获，所述探测数据将整理成一簇二维投影数据。投影数据不能直接使用，需要经过重建算法，才能被医生所使用。在低剂量条件下，探测器接收到的光子数减少会损害投影数据，进而影响重建后的spect图像质量，产生伪影和噪声，对医生的诊断造成不利影响。在临床上，我们希望保证病人安全的同时产生满足诊断需求的图像，尽可能降低对患者的辐射剂量。
2、在去噪方法中，低剂量spect图像去噪的方法大致分为三类：弦图域预处理，端到端处理和图像域后处理。这些方法可以在一定程度上对低剂量spect图像进行去噪，弦图域预处理方法会引入额外的噪声，因为会失去空间分辨率，导致重建图像的退化以及图像结构和细节的丢失。端到端处理方法，不易精确识别噪声，这些模型参数复杂，要对弦图数据去噪，还要对去噪后的弦图数据重建。后处理方法学习低剂量图像和正常剂量图像之间的映射，从而解决由于辐射剂量减少导致图像质量不佳的问题。
3、近年来，深度学习方法被用于处理低剂量spect图像去噪问题，如unet、生产对抗网络(gan)、transformer等。基于深度学习的方法可以分为三类：监督学习、无
4、因此，监督学习和无监督学习的深度学习方法都存在一定的缺陷，针对以上缺陷，需要对重点研究半监督学习，通过训练少量带有注释的数据和大量未注释的数据来降低低剂量spect图像中的噪声，实现由低剂量spect图像到高质量spect图像的去噪。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种基于半监督预训练模型的低剂量spect图像去噪方法，这种方法可以在低剂量情况下利用大量无标签的数据，仍然能够产生高质量的spect图像。
2、为实现上述目的，本专利技术采取的技术方案如下：一种基于半监督预训练模型的低剂量spect图像去噪方法，包括以下步骤：
3、s1:通过蒙特卡洛模拟软件生成一组包含低剂量spect投影数据和正常剂量spect投影数据的样本；spect为单光子发射计算机断层成像术(single-photon emissioncomputed tomography)。
4、s2：获取所述样本的正常剂量投影数据及低剂量投影数据，并通过papa重建算法对两者数据进行重建得到对应的正常剂量spect图像和低剂量spect图像；
5、papa(preconditioned alternating projection algorithms)重建算法是预条件交替投影算法。
6、s3：重复步骤s1-s2获取生产多份样本及多份样本的正常剂量spect图像和低剂量spect图像；
7、将多份样本按照比例a划分为训练集样本和测试集样本；
8、将所述训练集样本按照比例b分为有标签样本和无标签样本；
9、s4：搭建预训练模型，完成预训练，得到预训练模型固定参数：
10、将所述有标签样本的低剂量spect图像作为学生网络模块的第一数据输入，将正常剂量spect图像作为第一标签数据，将第一输入数据和第一标签数据导入到预训练模型中，与预训练模型输出进行优化训练，完成预训练，得到预训练模型固定参数；
11、s5：搭建教师-学生训练模型，完成教师-学生模型优化训练，所述教师-学生训练模型包括教师网络模块与学生网络模块：
12、将第一输入数据与第一标签数据导入到学生网络模块中与学生网络模块的输出进行优化训练；
13、将所述无标签样本的低剂量spect图像作为学生网络模块和教师网络模块的第二输入数据，将第二输入数据导入到学生网络模块与教师网络模块中与的学生网络模块与教师网络模块输出进行优化训练；
14、利用所述无标签样本的低剂量spect图像作为学生网络模块和预训练模型的第三输入数据，将第三输入数据导入到学生网络模块与预训练模型中，与学生网络模块与预训练模型的输出进行优化训练；
15、s6：将测试集中的低剂量spect图像数据输入至训练完成后的教师-学生训练模型中训练得到训练后的输出数据，将所述输出数据与正常剂量spect图像进行比较。
16、优选地，所述比例a取值为4:1，所述比例b取值为1：3。
17、优选地，所述教师训练模型和学生训练模型均采用unet网络结构。
18、优选地，所述预训练模型采用scunet网络。
19、优选地，所述正常剂量的剂量范围是光子计数9.1×10^9。
20、优选地，所述低剂量的剂量范围是正常计量的1/400。
21、优选地，所述步骤s4中对预训练模型进行优化训练得到固定参数的过程如下：
22、s41：初始化预训练模型的参数；
23、s42：将训练集中所述低剂量spect图像数据输入到预训练模型进行训练，训练300个epoch，使所述预训练模型收敛，最后通过正向传播公式计算得到预训练模型最终的输出；
24、s43：计算预训练模型有标签损失函数：
25、
26、其中：fp(xi)为对应第i个有标签样本的预训练模型输出，yi为对应第i个有标签样本的真值标签，n为训练有标签样本个数；
27、s44：求公式(1)的偏导数，通过adam算法更新预训练模型中可学习的参数；
28、s45：重复执行步骤s42～s44直到预训练模型收敛，保存预训练模型参数。
29、优选地，采用正态分布方法对预训练模型进行初始化；
30、优选地，所述步骤s5中对所述教师-学生训练模型进行训练的过程如下：
31、s51：初始化教师-学生训练模型参数，同时将所述预训练模型训练收敛的参数加载到所述教师-学生训练模型中；
32、s52：将训练集中所述低剂量spect图像数据输入到教师-学生训练模型进行训练，训练800个epoch，使所述教师-学生训练模型收敛，最后通过正向传播公式计算得到所述教师-学生训练模型最终的输出；
33、s53：计算所述教师-学生训练模型有标签损失函数和无标签损失函数：
34、
35、其中：fs(xi)为对应第i个有标签样本的学生网络模块输出，yi为对应第i个有标签样本的真值标签，n为训练有标签样本个数；λt(t)为正则化参本文档来自技高网...
【技术保护点】
1.一种基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于：所述正常剂量的剂量范围是光子计数9.1×10^9。
3.根据权利要求2所述基于半监督预训练模型的低剂量SPECT图像去噪方法，所述低剂量的剂量范围是正常计量的1/400。
4.根据权利要求1所述基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于，所述教师训练模型和学生训练模型均采用UNet网络结构。
5.根据权利要求1所述基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于，所述预训练模型采用SCUNet网络。
6.根据权利要求5所述基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于，所述步骤S4中对预训练模型进行优化训练得到固定参数的过程如下：
7.根据权利要求6所述基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于，采用正态分布方法对预训练模型进行初始化。
8.根据权利要求1所
9.根据权利要求8所述的基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于：所述学生网络模块采用正态分布初始化，所述教师网络模块采用Xavier正态分布初始化，且所述教师网络模块为学生网络模块的动量集成。
10.根据权利要求1所述的基于半监督预训练模型的低剂量SPECT图像去噪方法，其特征在于：所述比例a取值为4:1，所述比例b取值为1：3。
...【技术特征摘要】
1.一种基于半监督预训练模型的低剂量spect图像去噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于半监督预训练模型的低剂量spect图像去噪方法，其特征在于：所述正常剂量的剂量范围是光子计数9.1×10^9。
3.根据权利要求2所述基于半监督预训练模型的低剂量spect图像去噪方法，所述低剂量的剂量范围是正常计量的1/400。
4.根据权利要求1所述基于半监督预训练模型的低剂量spect图像去噪方法，其特征在于，所述教师训练模型和学生训练模型均采用unet网络结构。
5.根据权利要求1所述基于半监督预训练模型的低剂量spect图像去噪方法，其特征在于，所述预训练模型采用scunet网络。
6.根据权利要求5所述基于半监督预训练模型的低剂量spect图像去噪方法，其特...
【专利技术属性】
技术研发人员：陈柯竹，袁柳萍，徐锦华，蒋佳欣，
申请(专利权)人：广州中医药大学广州中医药研究院，
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。