基于三域混合的SPET重建方法、装置、终端及介质

基于三域混合的spet重建方法、装置、终端及介质
技术领域
1.本技术涉及图像重建技术领域，特别是涉及基于三域混合的spet重建方法、装置、终端及介质。


背景技术：

2.正电子发射断层扫描(pet)作为一种先进的核成像技术，能够敏感、直观地呈现人体代谢过程，在许多疾病(如肿瘤、阿尔茨海默病)的早期诊断中有着重要应用。然而，由于pet成像过程中需要向人体注射足够剂量(标准剂量)的放射性核素，这不可避免的带来了辐射危害，即使在临床中遵循“as low as reasonably achievable(alara)”原则(即在满足诊断需要的前提下注射尽可能低剂量的放射性核素)，pet成像的辐射危害对于孕妇和婴幼儿仍然是不可接受的。为了降低pet成像的辐射危害，一种可行的方法是设计先进的重建算法从低剂量pet中重建标准剂量pet。
3.在过去的几十年里，已经有一些重建标准剂量pet图像的方法被提了出来，从技术上可以分为两大类，传统方法和基于深度学习的方法。其中传统方法利用随机森林或稀疏学习算法进行从低剂量pet(lpet)到标准剂量pet(spet)的体素水平估计。这类方法可以取得稳定且不错的结果，但是通常是半自动的比较耗时。近些年，由于神经网络在图像处理任务中无可替代的优势，人们逐渐将注意力集中到了基于深度学习的方法上。这类方法通常利用神经网络建立一个端到端的框架，学习从lpet到spet的映射。
4.然而，以往的研究通常只在单个域(如图像域)中进行spet重建，这种重建过于单一，无法兼具图像域、投影域、频域等多域的优势。


技术实现要素：

5.鉴于以上所述现有技术的缺点，本技术的目的在于提供基于三域混合的spet重建方法、装置、终端及介质，用于解决基现有的图像重建方式过于单一，无法兼具图像域、投影域、频域等多域的优势的技术问题。
6.为实现上述目的及其他相关目的，本技术的第一方面提供一种基于三域混合的spet重建方法，包括：获取低剂量pet图像，通过去噪网络在投影域对所述低剂量pet图像的正弦图进行去噪处理后得到对应的去噪正弦图；根据所述去噪正弦图得到对应的去噪后的低剂量pet图像，并通过重建网络在图像域和频域对所述去噪后的低剂量pet图像进行spet重建，以得到spet重建图像。
7.于本技术的第一方面的一些实施例中，所述去噪正弦图的获取过程包括：采用残差学习网络作为所述去噪网络，将所述低剂量pet图像的正弦图输入所述残差学习网络后得到残差正弦图；将所述残差正弦图与所述低剂量pet图像的正弦图叠加得到所述去噪正弦图。
8.于本技术的第一方面的一些实施例中，所述残差学习网络嵌有transformer模块，以捕获所述低剂量pet图像的正弦图分别在内容域和风格域的长程信息。
9.于本技术的第一方面的一些实施例中，所述重建网络包括编码器和解码器；所述编码器中的上采样被替换为小波变换分析，所述解码器中的下采样被替换为逆小波变换分析，以通过小波变换分析/逆小波变换分析捕获特征图的频率信息和位置信息。
10.于本技术的第一方面的一些实施例中，所述重建网络对所述去噪后的低剂量pet图像进行spet重建的过程包括：所述编码器接收所述去噪后的低剂量pet图像，对其进行小波变换分析及图像语义分割后得到对应的结果图像；将各所述结果图像输入解码器中，对其进行逆小波变换分析及语音语义分割后得到spet重建图像。
11.于本技术的第一方面的一些实施例中，所述低剂量pet图像的正弦图由所述所述低剂量pet图像经拉东变换得到；所述去噪后的低剂量pet图像由所述去噪正弦图经逆拉东变换得到。
12.为实现上述目的及其他相关目的，本技术的第二方面提供一种基于三域混合的spet重建装置。包括：去噪模块，用于获取低剂量pet图像，通过去噪网络在投影域对所述低剂量pet图像的正弦图进行去噪处理后得到对应的去噪正弦图；重建模块，用于根据所述去噪正弦图得到对应的去噪后的低剂量pet图像，并通过重建网络在图像域和频域对所述去噪后的低剂量pet图像进行spet重建，以得到spet重建图像。
13.于本技术的第二方面的一些实施例中，所述重建网络包括编码器和解码器；所述编码器中的上采样被替换为小波变换分析，所述解码器中的下采样被替换为逆小波变换分析，以通过小波变换分析/逆小波变换分析捕获特征图的频率信息和位置信息。
14.为实现上述目的及其他相关目的，本技术的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于三域混合的spet重建方法。
15.为实现上述目的及其他相关目的，本技术的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于三域混合的spet重建方法。
16.如上所述，本技术的基于三域混合的spet重建方法、装置、终端及介质，具有以下有益效果：本发明统筹了投影域、图像域和频域的三域混合，在三域混合的基础上进行spet图像重建，充分发挥了各域处理图像的优势。与一些传统的spet图像重建算法相比，经本发明重建的spet图像在psnr峰值信噪比、ssim结构相似性及nmse归一化均方误差等指标上的表现明显更为优异。
附图说明
17.图1显示为本技术一实施例中的一种基于三域混合的spet重建方法的流程示意图。
18.图2显示为本技术一实施例中的重建网络的结构示意图。
19.图3显示为本技术一实施例中的三域混合重建网络(tridornet)的结构示意图。
20.图4显示为本技术一实施例中电子终端的结构示意图。
21.图5显示为本技术一实施例中的一种基于三域混合的spet重建装置的结构示意图。
具体实施方式
22.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
23.需要说明的是，在下述描述中，参考附图，附图描述了本技术的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本技术的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本技术的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本技术。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
24.在本技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
25.再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
26.为解决上述背景技术中的问题，本发明提供基于三域混合的spet重建方法、装置、终端及介质，旨在投影域、图像域和频域进行spet的重建，以分别在投影域、图像域和频域对图像进行去噪、高频信息保存和图像增强任务，因此在设计重建算法时考虑在多域处理图像会相应取得更好的性能。与此同时，为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
27.在对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释：
28.《1》pet(position emission computed tomography)：正电子反射型计算机断层显像，是核医学领域比较先进的临床检查影像技术。
29.《2》radon变换：拉东变换是一种积分变换，其将定义在二维平面上的一个函数f(x,y)沿着平面上的任意一条直线做线积分，相当于对函数f(x,y)做ct扫描，其基本应用是根据ct的透射光强重建出投影前的函数f(x,y)，即拉东变换的反演问题。
30.本发明实施例提供基于三域混合的spet重建方法、基于三域混合的spet重建方法
的系统、以及存储用于实现基于三域混合的spet重建方法的可执行程序的存储介质。就基于三域混合的spet重建方法的实施而言，本发明实施例将对基于三域混合的spet重建的示例性实施场景进行说明。
31.如图1所示，展示了本发明实施例中的一种基于三域混合的spet重建方法的流程示意图。本实施例中的基于三域混合的spet重建方法主要包括如下各步骤：
32.步骤s11：获取低剂量pet图像，通过去噪网络在投影域对所述低剂量pet图像的正弦图进行去噪处理后得到对应的去噪正弦图。
33.应理解的是，pet-ct一般都是低剂量模式，即辐射剂量低，通常低剂量不到常规扫描辐射剂量的1/2，而高剂量模式或增强模式则ct剂量会明显增加；辐射的剂量单位是msv。对于低剂量pet图像，下文中对其简称为lpet图像并记为i
l
，因此后续出现的lpet图像即是指低剂量pet图像。pet的大致原理是将某种物质，一般是生物生命代谢中必须的物质，例如葡萄糖、蛋白质、核酸、脂肪酸，标记上短寿命的放射性核酸，注入人体后，通过对于该物质在代谢中的聚集，来反映生命代谢活动的情况。
34.于本实施例中，所述低剂量pet图像的正弦图记为正弦图s
l
，是通过对lpet图像i
l
进行radon变换得到。所述radon变换称为拉东变换，是一种积分变换，其将定义在二维平面上的一个函数f(x,y)沿着平面上的任意一条直线做线积分，相当于对函数f(x,y)做ct扫描，其基本应用是根据ct的透射光强重建出投影前的函数f(x,y)，即拉东变换的反演问题；若函数f(x,y)表示一个未知的密度，对f(x,y)做拉东变换，相当于得到f(x,y)投影后的信号。由此可知，逆radon变换(即逆拉东变换)是拉东变换的逆过程。举例来说，f(x,y)相当于人体组织，断层扫描的输出信号相当于对f(x,y)做拉东变换，并可以用拉东反变换(逆radon变换)从投影后的结果重建原始的密度函数f(x,y)。
35.于本实施例中，从低剂量pet图像的正弦图变换到对应的去噪正弦图，本质上是减少数字图像中噪声的过程，噪声是图像干扰的重要原因，一副图像在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。通常图像噪声有如下几种：加性噪声、乘性噪声和量化噪声。加性噪声与输入图像信号无关，典型的加性噪声如信道噪声及光导摄像管的摄像机扫描图像时产生的噪声；乘性噪声与输入图像信号有关，典型的乘性噪声如飞点扫描器扫描图像时的噪声、电视图像中的相干噪声、胶片中的颗粒噪声等；量化噪声与输入图像信号无关，是量化过程存在量化误差所致。
36.本实施例中的去噪网络包括但不限于基于滤波器的去噪网络、基于模型的去噪网络或基于学习的去噪网络。所述基于滤波器的去噪网络包括中值滤波器和维纳滤波器等，是利用低通滤波器来去除图像噪声。所述基于模型的去噪网络是通过对自然图像或噪声的分布进行建模，使用模型分布作为先验，由此获得清晰的图像；基于模型的去噪网络通常将去噪任务定义为基于最大后验的优化问题，其性能主要依赖于图像的先验。基于学习的去噪网络则是侧重于学习有噪声图像到干净图像的潜在映射，常用的网络由dncnn网络、ffdnet网络、cbdnet网络等，其中dncnn网络主要针对高斯噪声进行去噪，强调残差学习和bn的作用，ffdnet网络则考虑将高斯噪声泛化为更加复杂的真实噪声，将噪声水平图作为网络输入的一部分，cbdnet网络则是针对ffdnet的噪声水平图部分入手，通过5层fcn来自适应得到噪声水平图，实现一定程度上的盲去噪。
37.较为优选的，本实施例采用嵌有transformer模块的残差学习网络来预测得到残
差正弦图，该残差正弦图与低剂量pet图像的正弦图s
l
叠加得到去噪正弦图sd。值得说明是的是，本实施例中的残差学习网络利用transformer模块捕获正弦图中所包含的长程信息。更具体来说，可利用transformer模块捕获长期依赖关系的能力来实现图像风格化。transformer模块主要包括内容transformer编码器、风格transformer编码器和transformer解码器。内容transformer编码器和风格transformer编码器分别用于编码内容域和风格域的图片的长程信息，这种编码方式可以有效避免细节丢失问题；transformer解码器则用于将内容特征转换为带有风格图片特征的风格化结果。
38.步骤s12：根据所述去噪正弦图得到对应的去噪后的低剂量pet图像，并通过重建网络在图像域和频域对所述去噪后的低剂量pet图像进行spet重建，以得到spet重建图像。
39.于本实施例中，根据所述去噪正弦图得到对应的去噪图像，是通过对去噪正弦图sd经过逆拉东变换(逆radon变换)后得到，记为去噪图像i
l
。最终，重建得到的spet重建图像记为is。
40.于本实施例中，所述重建网络在3d u-net结构的基础上，用小波变换(wt)和逆小波变换(iwt)代替下采样和上采样操作，这种替换有助于在重建图像的过程中保留图像结构的细节，这是因为小波变换可以同时捕获特征图的频率和位置信息。
41.需说明的是，u-net结构是一种语义分割模型，由编码部分(通常在左边)和解码部分(通常在右边)组成，最后形成的结构类似于一个大大的u字母，因此称为u-net。与cnn不同之处在于，cnn是图像级别的分类，而u-net是像素级别的分类(其输出的是每个像素点的分类)。通常而言，u-net网络中图像的变换过程分为上采样和下采样两部分，其中下采样主要利用连续的卷积池化层提取图像中的特征信息，并逐步将特征信息映射至高维，网络的最高维是整个图像中丰富的特征信息；随后再进行反卷积将高维特征再次向低维映射，映射的过程中为了增强分割的精度，会将同维度下收缩网络中与其维度相同的图像进行融合，由于在融合的过程中维度会变成原维度的2倍，此时需要再次卷积，保证处理过后的维度与融合操作之前的维度相同以便于进行再一次的反卷积后能够和同维度下的图像进行二次融合(concatenate)、一直到最终能够与原图像的维度相同时输出图像。在这种网络模型的训练中，能够满足在较小的数据集能够提取出较为精确的分割结果。
42.因此，本实施例中的重建网络在u-net结构的基础上做了一定的修改，用小波变换(wt)和逆小波变换(iwt)代替下采样和上采样操作，具体结构包括编码器和解码器。编码器接收去噪后的lpet图像id后，对其进行小波变换分析及图像语义分割后得到对应的结果图像；将各结果图像输入解码器中，对其进行逆小波变换分析及语义分割后得到spet重建图像。以图2展示的重建网络结构图为例进一步说明：在编码阶段，去噪后的lpet图像id输入编码器21后，先进行小波变换分析后得到8通道图像，将这8通道图像分别输入至4层fcn网络(4-layer fcn)后得到对应的8通道语义分割结果图像，再将这些语义分割结果图像不断进行小波变换分析，最终得到4096通道图像。在解码阶段，编码得到的4096通道图像经逆小波变换分析后得到8通道图像，将这8通道图像分别输入4层fcn网络(4-layer fcn)后得到对应的8通道语义分割结果图像，将语义分割结果图像经逆小波变换分析后得到最终的spet重建图像is。
43.应理解的是，小波变换(wavelet transform,wt)是一种专用于小的波形信号处理的变换分析方法，它继承和发展了短时傅里叶变换局部化的思想，提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的一种有效工具。与傅里叶变换相比较而言，傅里叶变换是全局的变换，函数的各个点的值都对变换后的结果有影响；小波变换使用的是局部基，对某个基的系数来说，函数只有在这个基的支撑上的点才对该系数有影响，所以小波不仅包含频率信息(由基的频率反应出来)，也包含时间信息(由基所在的局部时间轴位置反应出来)。
44.进一步地，为了更好地监督本实施例的三域混合重建网络(tridornet)的训练，本实施例分别在投影域、图像域及频域中设置了对应的损失函数以进行约束。
45.具体而言，在投影域和图像域均采用mean square error(mse)构建损失函数,频域采用focal frequency loss构建损失函数，其中：
46.投影域的损失函数如下：
47.其中，sg为标剂量pet正弦图，s
l
为低剂量pet正弦图,为去噪网络，表示均方误差(mean square error)。图像域的损失函数如下：
48.其中，ig为标剂量pet图像，i
l
为低剂量pet图像(通过逆radon变换转换去噪后的低剂量pet正弦图得到)，为重建网络，表示均方误差(mean square error)。
49.频域的损失函数如下：
50.w(i,j,k)＝|fg(i,j,k)-fs(i,j,k)|
α
；
51.其中，fg为标准剂量pet图像的频域表示(傅里叶变换)，fs为重建网络输出的pet图像的频域表示。w为权重矩阵，α是缩放因子，在实施中设置为1.(i,j,k)为位置索引。
52.投影域、图像域和频域的总损失函数为：
[0053][0054]
其中，λ1和λ2为超参，实施中均设置为1。
[0055]
优选的，为降低本发明实施例中三域混合重建网络(tridornet)的训练难度，将三域混合重建网络(tridornet)的训练分为两个阶段：第一阶段利用训练去噪网络，训练至网络收敛结束(验证集损失不再降低)；第二阶段在第一阶段的基础上，利用总损失函数同时训练去噪网络和重建网络，训练至收敛结束。
[0056]
为便于本领域技术人员理解本实施例的技术实施原理及过程，现结合图3所展示的三域混合重建网络(tridornet)的流程图进行说明：三域混合重建网络(tridornet)由去噪网络和重建网络耦合而成，初始图像为lpet图像i
l
。
[0057]
首先，lpet图像i
l
经过拉东变换后得到对应的正弦图s
l
；
[0058]
其次，选用残差网络作为去噪网络将输入的正弦图s
l
处理输出得到对应的残差正弦图sr；将正弦图s
l
和残差正弦图sr叠加得到去噪正弦图sd。
[0059]
最后，对去噪正弦图sd进行逆拉东变换后得到对应的去噪后的lpet图像id，将去噪后的lpet图像id输入重建网络分别经编码器编码及解码器解码后得到spet重建图像is。
[0060]
上文，对基于三域混合的spet重建方法的实施原理及过程做了详尽的解释说明。下文，将对本实施例提供的基于三域混合的spet重建方法的有效性，与现有的三种spet重建方法进行了比较，包括3d u-net、3d cgan和la gans。比较维度分别有定性比较和定量比较，比较结果如下所示：
[0061]
在定量比较方面：对于定量比较，本发明实施例采用三种在重建任务中广泛使用
的评价指标进行量化评估，包括归一化均方误差(nmse)、峰值信噪比(psnr)和结构相似性指数(ssim)，结果展示在表1中。从表1中可以发现，本发明实施例设计的基于三域混合的tridornet在所有评价指标(psnr、ssim和nmse)上均取得了最优表现。具体而言，与获得次优结果的la gans相比，在psnr、ssim和nmse上的提升的分别为1.858db、0.004和0.003。同时，通过配对t检验，tridornet与其他方法之间的p值小于0.05，这证明提升在统计学意义上是显著的。
[0062]
表1：tridornet与其它spet重建方法在psnr、ssim和nmse上的定量比较
[0063][0064]
需说明的是，上述各项指标中，psnr(peak signal to noise ratio)是指峰值信噪比，是一种评价图像的客观标准。ssim(structural similarity)是指结构相似性，是一种衡量两幅图像相似度的指标。nmse(the normalized mean squared error)是归一化均方误差，是滤波过程中去噪有效性和图像结构/细节保留的度量，即表示过滤后的图像与真实图像之间的相似程度。
[0065]
在定性方面：tridornet重建的spet图像具有最清晰的组织边界，同时对于异常高亮区域，tridornet具有最真实的重建结果。此外，tridornet重建的结果与ground truth之间的差异最小。这些证据表明，本发明实施例提供的spet重建方法优于现有的spet重建方法。
[0066]
本发明实施例提供的基于三域混合的spet重建方法可以采用终端侧或服务器侧实施，就基于三域混合的spet重建终端的硬件结构而言，请参阅图4，为本发明实施例提供的基于三域混合的spet重建终端400的一个可选的硬件结构示意图，该终端400可以是移动电话、计算机设备、平板设备、个人数字处理设备、工厂后台处理设备等。基于三域混合的spet重建终端400包括：至少一个处理器401、存储器402、至少一个网络接口404和用户接口406。装置中的各个组件通过总线系统405耦合在一起。可以理解的是，总线系统405用于实现这些组件之间的连接通信。总线系统405除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统。
[0067]
其中，用户接口406可以包括显示器、键盘、鼠标、轨迹球、点击枪、按键、按钮、触感板或者触摸屏等。
[0068]
可以理解，存储器402可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，staticrandom access memory)、同步静态随机存取存储器(ssram，synchronous static randomaccess memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适
合类别的存储器。
[0069]
本发明实施例中的存储器402用于存储各种类别的数据以支持基于三域混合的spet重建终端400的操作。这些数据的示例包括：用于在基于三域混合的spet重建终端400上操作的任何可执行程序，如操作系统4021和应用程序4022；操作系统4021包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序4022可以包含各种应用程序，例如媒体播放器(mediaplayer)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例提供的基于三域混合的spet重建方法可以包含在应用程序4022中。
[0070]
上述本发明实施例揭示的方法可以应用于处理器401中，或者由处理器401实现。处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器401可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器401可以是微处理器或者任何常规的处理器等。结合本发明实施例所提供的配件优化方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。
[0071]
在示例性实施例中，基于三域混合的spet重建终端400可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logicdevice)，用于执行前述方法。
[0072]
如图5所示，展示了本发明实施例中的一种基于三域混合的spet重建装置的结构示意图。本实施例中，基于三域混合的spet重建装置500包括去噪模块501和重建模块502。
[0073]
所述去噪模块501用于获取低剂量pet图像，通过去噪网络在投影域对所述低剂量pet图像的正弦图进行去噪处理后得到对应的去噪正弦图。所述重建模块502用于根据所述去噪正弦图得到对应的去噪后的低剂量pet图像，并通过重建网络在图像域和频域对所述去噪后的低剂量pet图像进行spet重建，以得到spet重建图像。
[0074]
在一些示例中，所述重建模块502包括编码器和解码器；所述编码器中的上采样被替换为小波变换分析，所述解码器中的下采样被替换为逆小波变换分析，以通过小波变换分析/逆小波变换分析捕获特征图的频率信息和位置信息。
[0075]
进一步地，spet图像重建的过程包括：所述编码器接收所述去噪后的低剂量pet图像，对其进行小波变换分析及图像语义分割后得到对应的结果图像；将各所述结果图像输入解码器中，对其进行逆小波变换分析及语音语义分割后得到spet重建图像。
[0076]
在一些示例中，所述去噪模块501采用残差学习网络作为所述去噪网络，将所述低剂量pet图像的正弦图输入所述残差学习网络后得到残差正弦图；将所述残差正弦图与所述低剂量pet图像的正弦图叠加得到所述去噪正弦图。
[0077]
进一步地，所述残差学习网络嵌有transformer模块，以捕获所述低剂量pet图像的正弦图分别在内容域和风格域的长程信息。
[0078]
需要说明的是：上述实施例提供的基于三域混合的spet重建装置在进行基于三域混合的spet重建时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的基于三域混合的spet重建装置与基于三域混合的spet重建方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0079]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0080]
于本技术提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、eeprom、cd-rom或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、u盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(dsl)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、dsl或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(cd)、激光光盘、光盘、数字多功能光盘(dvd)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
[0081]
综上所述，本技术提供基于三域混合的spet重建方法、装置、终端及介质，本发明统筹了投影域、图像域和频域的三域混合，在三域混合的基础上进行spet图像重建，充分发挥了各域处理图像的优势。与一些传统的spet图像重建算法相比，经本发明重建的spet图像在psnr峰值信噪比、ssim结构相似性及nmse归一化均方误差等指标上的表现明显更为优异。所以，本技术有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0082]
上述实施例仅例示性说明本技术的原理及其功效，而非用于限制本技术。任何熟悉此技术的人士皆可在不违背本技术的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本技术所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本技术的权利要求所涵盖。