一种增强PET图像细节的动态重建方法

本发明属于生物医学图像分析，具体涉及一种增强pet图像细节的动态重建方法。

背景技术：

1、正电子发射断层扫描(positron emission tomography，pet)重建图像能够提供代谢信息，帮助医生早日发现病变组织。长期以来，pet重建的速度和质量难以兼顾，基于逆radon变换的解析重建方法的速度很快，但是重建图中包含大量条状伪影，严重影响图像质量，在临床诊断中很少使用。基于迭代框架的重建算法能够获得高质量的重建图，但是速度慢；完全基于深度学习的方法，虽然能够保证速度和质量，但是泛化性差，无法适应实际生活中形状多变的场景，可能导致误诊风险。

2、为了保证泛化性，一些学者提出了传统方法结合深度神经网络的策略，这些方法可以分为两类，分别是迭代重建算法结合深度学习和解析算法结合深度学习。前者利用深度神经网络自适应地学习传统重建框架中的先验条件，将迭代算法展开为若干阶段，每一阶段模拟传统算法的一次迭代，经过若干个阶段之后，重建图像质量获得提升，例如文献[gong k,guan j,kim k,et al.iterative pet image reconstruction usingconvolutional neural network representation[j].ieee transactions on medicalimaging,2019,38(3):675-685]以及mapem-net[an unrolled neural network for fully3d pet image reconstruction]；由于结合了传统迭代算法，此类方法的参数量很小，不需要大量样本来训练网络结构，且泛化性强，但是此类方法并没有摆脱迭代算法的框架，速度依然很慢，近似于迭代算法。解析算法结合深度学习能够继承解析算法速度快的优势，而深度神经网络能够帮助提升解析算法的重建质量，从而优势互补，既能保证泛化性，又能保证速度。

3、fbp-net[wang b,liu h.fbp-net for direct reconstruction of dynamic petimages[j].physics in medicine and biology,2020]是一种具有代表性的解析算法结合深度学习方法，即fbp重建算法结合去噪神经网络，该方法在形状多变的数据集上表现出了优越泛化性，远胜于基于卷积网络的u-net和deeppet，但是该方法获得的重建图细节不够丰富，图像内容有些模糊。如何改进fbp-net使得其重建图像细节更丰富，是一个值得研究的课题。

技术实现思路

1、鉴于上述，本发明提供了一种增强pet图像细节的动态重建方法，通过给fbp-net的去噪部分加入注意力se模块，并改进训练阶段的损失函数，使得训练好的网络能够获得细节更加丰富的pet重建图。

2、一种增强pet图像细节的动态重建方法，包括如下步骤：

3、(1)利用pet设备对注入有放射性示踪剂的生物组织进行动态扫描，得到动态的sinogram投影数据，进而通过迭代重建算法对其进行重建得到高质量的pet重建图；

4、(2)根据步骤(1)的方式获得大量样本，每一组样本包括动态的sinogram投影数据及其对应的高质量pet重建图，进而将所有样本分成训练集和测试集；

5、(3)将pet重建问题拆分为两个阶段即重建阶段和图像增强阶段，构建注意力增强的解析重建网络模型attenrecon-net，其包括：

6、滤波反投影层，用于自适应地学习pet重建函数，将sinogram投影数据重建为低质量的pet重建图；

7、注意力增强层，用于自适应地学习残差函数，计算低质量pet重建图与高质量pet重建图之间的残差；

8、(4)利用训练集样本中的sinogram投影数据作为网络模型的输入，将通过迭代重建算法获得的高质量pet重建图作为标签，对网络模型进行训练；

9、(5)将测试集样本中的sinogram投影数据输入至训练好的网络模型中，即可直接输出得到高质量的pet重建图。

10、进一步地，所述重建阶段将sinogram投影数据重建为低质量的pet重建图，由探测数据域转化为图像域；由于噪声和重建伪影的因素存在，低质量的pet重建图与高质量的pet重建图之间存在残差，在图像增强阶段则将低质量的pet重建图减去这部分残差，去除不合理的负值并进行归一化，从而获得高质量的pet重建图。

11、进一步地，所述重建阶段和图像增强阶段的具体表达式如下：

12、

13、y＝[y1,…,yt,…,yt]

14、

15、其中：y表示动态的sinogram投影数据，yt对应为第t个时间帧的sinogram投影数据，t为自然数且1≤t≤t，t表示动态sinogram投影数据的总帧数，f1( )表示pet重建函数，表示低质量的pet重建图，表示高质量的pet重建图，f2( )表示残差函数，normalization( )表示归一化函数。

16、进一步地，所述滤波反投影层包含频域滤波和反投影两个部分，频域滤波部分的滤波器是可学习的，且sinogram不同角度的投影数据对应的一维频域滤波器是独立的，反投影部分的做法与传统滤波反投影算法一样。

17、进一步地，所述注意力增强层由8个block级联组成，除第一个block和最后一个block之外，中间的6个block的结构相同，由2d卷积层、批归一化层、激活函数leakyrelu层、se注意力层依次连接组成；第一个block由2d卷积层、批归一化层、激活函数leakyrelu层依次连接组成，最后一个block由2d卷积层和激活函数leakyrelu层连接组成。

18、进一步地，所述se注意力层采用基于通道的注意力机制，重点关注特征图中有意义的通道信息，增强图像的细节。

19、进一步地，所述步骤(4)中对网络模型进行训练的具体过程如下：

20、4.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；

21、4.2将训练集样本中的sinogram投影数据输入至模型，模型正向传播输出得到对应的pet重建图，计算该pet重建图与标签之间的损失函数l；

22、4.3根据损失函数l利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数l收敛，训练完成。

23、进一步地，所述损失函数l的表达式如下

24、

25、其中：为模型输出的高质量pet重建图，x表示标签，vgg( )表示通过vgg19网络得到的特征图，‖ ‖1表示l1范数，w1和w2为权重系数，mean( )表示对样本求平均。

26、进一步地，输入至模型的sinogram投影数据即为所有帧sinogram在通道维度拼接在一起构成的投影数据序列。

27、本发明改进了现有的fbp-net，不仅给fbp-net的去噪神经网络部分加入了se注意力模块，并且改进了训练阶段的损失函数，将会模糊细节的l2损失函数换成了l1损失函数和vgg损失函数，使网络结构能够更多关注重建图细节的重建。本发明解决了fbp-net重建图模糊和细节不够丰富的问题，不仅继承了fbp-net泛化性强的优点，而且提升了pet重建图的质量。