基于SPECT数据采样与噪声特性的断层图像重建方法与流程

基于spect数据采样与噪声特性的断层图像重建方法
技术领域
[0001]
本发明涉及医学成像技术领域，特别是基于spect数据采样与噪声特性的断层图像重建方法。


背景技术：

[0002]
spect(single-photon emission computed tomography，单光子发射计算机断层成像设备)是一种医学成像设备，其基本工作原理如下：利用伽马相机环绕成像目标(病人)旋转，在不同角度探测目标体内放射性药物发出的经准直器准直的伽马光子，形成二维投影数据，对所有采样角度采集的投影数据应用断层图像重建算法重建出成像目标体内放射性药物的三维空间分布。
[0003]
受限于成像物理原理，spect在每个投影角度需要采集一定时间——通常在20-60秒之间——以积累伽马光子计数，从而提升投影数据的信噪比，即便如此，spect投影数据的噪声水平仍然远远高于pet(正电子断层成像设备)和x光ct等其它同类放射成像设备。为满足断层成像的角度采样要求，在全身成像应用中，传统spect需要在环绕成像目标轴向360度角的范围内完成60个角度的投影数据采样以完成一个床位的断层成像，覆盖轴向视野约40厘米，耗时约15-20分钟。以此类推，3个床位覆盖约1.2米轴向视野的断层成像需要约1个小时，从临床工作效率和病人耐受性的角度，这是无法接受的。因此一种能够在降低数据采集时间的前提下仍能基本保持图像质量不变的图像重建方法，会对spect断层成像临床应用的推广普及产生重要的推动作用。
[0004]
近年来，以卷积神经网络为代表的深度学习技术，广泛应用于ct、pet医学图像降噪和去除稀疏采样引入的伪影等领域，取得了较好的效果。但是其局限性在于对差异化数据的适应性较差，当实际应用数据与训练神经网络数据的噪声水平和伪影特性接近时，可以有较好的降噪和去伪影效果；否则，降噪和去伪影效果就会有不同程度的降低。
[0005]
对于spect成像来说，降低采集时间可以通过降低每个角度采样时间、减少采样角数目以及二者结合来实现，不同的采集时间和采样角数目选择都会导致数据和图像的噪声与稀疏采样伪影的特性产生较大差异。另外，在临床实践中，spect原始投影数据和图像的噪声水平还受很多因素的影像响：如不同种类或剂量的放射性药物，放射性药物在不同病人或同一病人不同部位之间的差异化分布、以及常规图像重建算法的参数设置等。因此，单一的、固定参数的卷积神经网络无法很好的地完成spect稀疏采样断层重建的降噪和去伪影的功能。


技术实现要素：

[0006]
针对上述缺陷，本发明的目的在于提出基于spect数据采样与噪声特性的断层图像重建方法，特别针对稀疏采样的spect数据，旨在解决上述的问题中的一项或多项，以缩短spect断层成像采集时间，进行提升效率。
[0007]
为达此目的，本发明采用以下技术方案：
[0008]
基于spect数据采样与噪声特性的断层图像重建方法，包括步骤：
[0009]
步骤a，使用泊松噪声模型评估spect原始投影数据的噪声水平，选择与噪声水平相匹配的第一卷积神经网络对spect原始投影数据进行降噪处理；
[0010]
步骤b，对降噪后的投影数据应用基于物理模型、参数固定的统计迭代重建算法，得出初步重建图像；
[0011]
步骤c，应用与spect投影数据采样角度数目相匹配的第二卷积神经网络对初步重建图像进行后处理，去除因稀疏采样引起的伪影；
[0012]
步骤d，基于去伪影后的重建图像和spect原始投影数据进一步应用基于压缩感知的图像迭代重建算法，得到最终的重建图像。
[0013]
进一步的说明，步骤a中所述评估spect原始投影数据的噪声水平的方法为：计算spect原始投影数据中所有像素值大于零像素的像素值的中值或平均值并将其按以下方法进行噪声水平分类：
[0014]
第一噪声水平：
[0015]
第二噪声水平：
[0016]
第三噪声水平：
[0017]
第四噪声水平：
[0018]
进一步的说明，所述步骤a中所应用的第一卷积神经网络针对不同角度的二维投影数据分别进行降噪或者针对多个角度的投影数据组成的三维数据进行联合降噪。
[0019]
更优的，步骤b中的统计迭代算法采用最大似然迭代或有序子集加速最大似然迭代重建算法。
[0020]
具体的，步骤c中，先对spect原始投影数据的采样角数目v按以下方法进行分类：
[0021]
第一采样角度范围：v＝{8,9,10}；
[0022]
第二采样角度范围：v＝{12,14,16}；
[0023]
第三采样角度范围：v＝{18,20,24}；
[0024]
第四采样角度范围：v＝{30,32,36,40}。
[0025]
具体的，所述步骤c中第二卷积神经网络针对断层图像中的每一个二维图像层分别进行去伪影处理，或针对三维断层图像进行整体处理。
[0026]
具体的，所述步骤d中图像迭代重建算法，其公式为：
[0027][0028][0029]
其中，x为拟重建的spect目标图像矢量，x
p
为步骤c中经去伪影处理后的图像矢量，y为spect原始投影数据矢量，a为对spect原始投影数据采集过程进行物理建模的系统传输矩阵，为最终重建图像，tv(x)为全变分模型，即图像双向空间梯度的l2范数，当x为尺寸m*n的二维图像的矢量表示时，其公式为：
[0030]
[0031]
所述m和n为自然数，n＝1，2，
…
，n-1，为图像矢量x的l1范数，即所有像素值的绝对值之和，α为权重参数。
[0032]
进一步的，步骤d中所述图像迭代重建算法为：在满足spect重建目标图像与spect原始投影数据的一致性条件，即ax＝y的前提下，求解能够最小化公式(1)所述spect重建目标图像与去伪影后图像之差的稀疏性代价函数的解，作为最终的重建图像。
[0033]
优选的，对所述步骤d中的求解公式(2)进行优化，具体是以去伪影后图像为初始估计，通过迭代交替应用公式(2)中的一致性条件ax＝y和公式(1)中稀疏性最小化条件对spect目标重建图像进行更新，待其收敛后，即得到最终的重建图像。
[0034]
本发明可以达到以下有益效果：
[0035]
1、针对临床实际应用中差异化的spect原始投影数据与其噪声特性，应用自适应参数的降噪与去伪影的第一卷积神经网络和第二卷积神经网络，实现最优化的图像质量；
[0036]
2、在适当降低数据采集时间情况下，通过自适应优化的降噪和去伪影算法，确保图像质量基本不发生变化换，从而提升病人检查效率；
[0037]
3、采用两个卷积神经网络分别处理噪声和稀疏采样伪影问题，与采用单一网络的方案相比，降低了网络参数的复杂度和训练难度。
[0038]
4、应用压缩感知技术和原始投影数据，在两个卷积神经网络的基础上进一步对重建图像进行完善，最大程度规避因为卷积神经网络的局限性引入图像的虚假细节。
附图说明
[0039]
图1是本发明的流程图。
[0040]
图2是本发明的一个实施例中，对投影数据降噪的第一卷积神经网络map-nn的结构示意图。
[0041]
图3是本发明的一个实施例中，第一卷积神经网络map-nn中不同编码/解码器数目下的降噪效果示意图。
[0042]
图4是本发明一个实施例中，应用map-nn对投影数据进行降噪的效果示意图。
[0043]
图5是本发明的一个实施例中，u-net网络结构示意图。
[0044]
图6是本发明的一个实施例中，应用分别针对两种采样角度的初步重建图像进行优化的unet网络去除伪影的效果和应用常规unet网络去除伪影效果的对比示意图。
[0045]
图7是本发明的一个实施例中，应用完整的重建方法得出的重建图像与其它对比方法的比较结果示意图。
具体实施方式
[0046]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0047]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
[0048]
基于spect数据采样与噪声特性的断层图像重建方法，包括步骤：
[0049]
步骤a，使用泊松噪声模型评估spect原始投影数据的噪声水平，选择与噪声水平
相匹配的第一卷积神经网络对spect原始投影数据进行降噪处理；
[0050]
步骤b，对降噪后的投影数据应用基于物理模型、参数固定的统计迭代重建算法，得出初步重建图像；
[0051]
步骤c，应用与spect投影数据采样角度数目相匹配的第二卷积神经网络对初步重建图像进行后处理，去除因稀疏采样引起的伪影；
[0052]
步骤d，基于去伪影后的重建图像和spect原始投影数据进一步应用基于压缩感知的图像迭代重建算法，得到最终的重建图像。
[0053]
本申请提出的断层图像重建方法，针对临床实际应用中差异化的spect数据与噪声特性，应用自适应参数的降噪与去伪影卷积神经网络，实现最优化的图像质量，具体的，采用两个卷积神经网络分别处理噪声和稀疏采样伪影问题，与采用单一网络的方案相比，降低了网络参数的复杂度和训练难度，同时应用压缩感知技术和原始投影数据，在卷积神经网络的基础上进一步对重建图像进行完善，最大程度规避因为卷积神经网络的局限性引入图像的虚假细节。特别针对稀疏采样的spect原始投影数据，解决了数据和图像的噪声与稀疏采样伪影的特性产生较大差异的问题，可以缩短spect断层成像采集时间，从而提升效率。
[0054]
进一步的说明，步骤a中所述评估spect原始投影数据的噪声水平的方法为：计算spect原始投影数据中所有像素值大于零像素的像素值的中值或平均值并将其按以下方法进行噪声水平分类：
[0055]
第一噪声水平：
[0056]
第二噪声水平：
[0057]
第三噪声水平：
[0058]
第四噪声水平：
[0059]
对spect原始投影数据的降噪是通过选择网络参数与评估噪声水平相匹配的第一卷积神经网络实现的，第一卷积神经网络中不同的神经网络参数是通过应用相对应噪声水平的训练数据集进行参数训练获得的。
[0060]
更优的，所述步骤a中所应用的第一卷积神经网络针对不同角度的二维投影数据分别进行降噪或者针对多个角度的投影数据组成的三维数据进行联合降噪。
[0061]
优选的，步骤b中的统计迭代算法采用最大似然迭代或有序子集加速最大似然迭代重建算法。
[0062]
对spect成像过程中的伽马光子衰减、散射以及准直器探测器响应等物理过程进行建模，同时图像迭代更新次数(图像迭代更新次数＝子集数*全迭代次数)保持固定。
[0063]
进一步的说明，步骤c中，先对spect原始投影数据的采样角数目v按以下方法进行分类：
[0064]
第一采样角度范围：v＝{8,9,10}；
[0065]
第二采样角度范围：v＝{12,14,16}；
[0066]
第三采样角度范围：v＝{18,20,24}；
[0067]
第四采样角度范围：v＝{30,32,36,40}。
[0068]
对于初步重建图像的去除稀疏伪影处理，是由网络参数与spect原始投影数据的
采样角数目相对应的第二卷积神经网络实现的，第二卷积神经网络中不同的神经网络参数是通过应用相对应的采样角度范围的训练数据集进行参数训练获得的。
[0069]
优选的，所述步骤c中第二卷积神经网络针对断层图像中的每一个二维图像层分别进行去伪影处理，或针对三维断层图像进行整体处理。
[0070]
进一步的说明，所述步骤d中图像迭代重建算法，其公式为：
[0071][0072][0073]
其中，x为拟重建的初步重建图像的图像矢量，x
p
为步骤c中经去伪影处理后的图像矢量，y为spect原始投影数据矢量，a为对spect原始投影数据采集过程进行物理建模的系统传输矩阵，为最终重建图像，tv(x)为全变分模型，即图像双向空间梯度的l2范数，当x为尺寸m*n的二维图像的矢量表示时，其公式为：
[0074][0075]
所述m和n为自然数，n＝1，2，
…
，n-1，为图像矢量x的l1范数，即所有像素值的绝对值之和，α为权重参数。
[0076]
优选的，步骤d所述图像迭代重建算法为：在满足spect重建目标图像与spect原始投影数据的一致性条件，即ax＝y的前提下，求解能够最小化公式(1)所述spect重建目标图像与去伪影后图像之差的稀疏性代价函数的解，作为最终的重建图像。
[0077]
更优的，对所述步骤d中的求解公式(2)进行优化，具体是以去伪影后图像为初始估计，通过迭代交替应用公式(2)中的一致性条件ax＝y和公式(1)中稀疏性最小化条件对spect目标重建图像进行更新，待其收敛后，即得到最终的重建图像。
[0078]
具体示例如下：
[0079]
参见图2所示的第一卷积神经网络map-nn结构，map-nn中包含了多个结构相同的编码-解码器组合，图3所示是其不同编码/解码器数目下的降噪效果。本实施例的第一卷积神经网络map-nn训练中使用无噪声的仿真投影数据作为网络的输出，以添加了泊松噪声的仿真投影数据作为网络的输入。训练中编码-解码器组合数t为5。训练时，总共训练了4种噪声水平的网络，代表计数大于0的像素的平均计数率：
[0080]
第一噪声水平：
[0081]
第二噪声水平：
[0082]
第三噪声水平：
[0083]
第四噪声水平：
[0084]
在本实施例训练的map-nn网络的使用中，在训练完成后，利用模型进行预测是所采用的编码/解码器组合数d为5。在使用时，首先由程序统计出图像的计数率，并以此为根据调用相应的网络权重对spect原始投影数据进行降噪，降噪后的效果可参见图4，从左到右：(1)未经降噪处理的初步重建图像，(2)是经步骤a降噪处理后的初步重建图像。
[0085]
另一实施例，在第二卷积神经网络u-net的训练中，本实施例使用稀疏角度采样的
仿真重建结果作为网络的输入，用足角度采样的仿真重建结果作为网络的输出来训练第二卷积神经网络u-net。训练时，根据输入图像使用的采样角度数，总共训练了四种网络：
[0086]
第一采样角度范围：v＝{8,9,10}；
[0087]
第二采样角度范围：v＝{12,14,16}；
[0088]
第三采样角度范围：v＝{18,20,24}；
[0089]
第四采样角度范围：v＝{30,32,36,40}。
[0090]
在使用第二卷积神经网络u-net时，程序会根据重建角度数选择相应的网络权重对初步重建图像进行去伪影，如图5所示，由于检测技术造成输入的图像中高亮区域周围存在伪影，输出图像经过第二卷积神经网络u-net处理后，伪影被去除从而得到更高质量的输出的图像，进而避免图像中伪影对后续疾病诊断造成干扰。
[0091]
对比例组，将上述针对性去稀疏采样第二卷积神经网络u-net和常规的同一卷积神经网络对同一图像进行后处理，其去伪影效果示意如图6所示，从左到右：
[0092]
(1)是基于12个采样角的常规重建图像；
[0093]
(2)是应用了基于12个采样角数据训练的卷积神经网络u-net去伪影后的图像；
[0094]
(3)是应用了基于12-20之间多种采样角数据训练的卷积神经网络u-net去伪影后的图像；
[0095]
(4)为基于60个采样角的常规重建图像(真实值)。
[0096]
可得本申请提出的针对性去稀疏采样第二卷积神经网络u-net其在12个采样角数据训练或12-20之间多种采样角数据训练基础下获得的图像，与常规方法中采用60个采样角的常规重建图像十分近似，即在申请提出的针对性去稀疏采样第二卷积神经网络u-net下，减少采样角的数量仍可确保较好的图像质量，其图像质量与多采样角数量的图像相比基本不发生变换，可以降低数据采集时间，从而提升病人检查效率。
[0097]
使用本申请提出的完整的断层图像重建方法和常规其他方法进行对比，其比较结果如图7所示，从左到右：
[0098]
(1)15个角度噪声投影数据的常规重建图像；
[0099]
(2)针对投影数据应用卷积神经网络降噪，并对常规统计迭代算法的重建结果应用卷积神经网络去伪影之后的图像；
[0100]
(3)使用本发明所用方法的重建图像，即再(2)的基础上应用压缩感知重建后的图像；
[0101]
(4)60个角度低噪声投影数据重建图像(真实值)。
[0102]
结合(2)、(3)和(4)可得，在可得针对投影数据应用卷积神经网络降噪，并对常规统计迭代算法的重建结果应用卷积神经网络去伪影之后，再在此基础上应用压缩感知重建后得到的图像的质量明显提高；且(3)的图像质量与(4)的图像质量基本一致。
[0103]
在本说明书的描述中，参考术语“一个实施例”、“另一实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0104]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不
脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。