本发明属于医学成像,具体涉及一种基于深度卷积神经网络的pet系统晶间散射校正方法。
背景技术:
1、正电子发射断层扫描(pet)是核医学领域先进的影像技术,在药理学、遗传学和病理学方面具有广泛地应用。pet成像质量主要由pet系统的时间分辨率与空间分辨率决定。
2、时间分辨率主要由闪烁晶体的闪烁发光时间所决定,闪烁晶体的发光包括闪烁的上升和闪烁的衰减两个过程,上升过程通常在10-11~10-9s之间完成,衰减时间一般为1~10ns。
3、空间分辨率受正电子湮灭过程中的正电子射程与非共线性所影响,主要由探测器模块中探测晶体的空间分布以及单个探测晶体的尺寸决定,晶体尺寸越小,所能实现的空间分辨率越高。而随着晶体尺寸的减小,当γ光子击中探测晶体时,γ光子有可能会从第一个交互的单晶体中穿透进入相邻的第二个甚至更多的单晶体中,发生晶间散射或晶间穿透现象,使得该γ光子在定位时产生偏移或模糊,导致符合事件响应线产生偏差,造成pet成像模糊。
4、常用的晶间散射恢复方法包括比例法和康普顿运动学计算法等。但在一直以来在实际应用过程中,这两种方法依旧存在许多不足如晶间散射γ光子命中位置恢复精度不够,导致准确度较差,校正效果不理想;从硬件与算法角度,计算速度慢,追溯初次命中位置的速度有较大的提升空间。
技术实现思路
1、本发明的目的在于提供一种精确、高效的基于深度卷积神经网络的pet系统晶间散射校正方法。
2、实现本发明目的的技术解决方案为:一种基于深度卷积神经网络的pet系统晶间散射校正方法,包括以下步骤:
3、步骤s10,仿真建立pet系统模型,并仿真探测过程,生成仿真探测器采集数据;
4、步骤s20,提取采集数据中晶间散射粒子的能量信息以及x、y、z位置信息,并将x、y位置信息转换为极坐标信息,将得到的所有信息归一化生成数据集;
5、步骤s30,设定深度卷积神经网络模型结构、参数、激活函数、损失函数、优化器,将数据集送入深度卷积神经网络模型进行训练;
6、步骤s40,通过评价指标判断误差是否满足要求,若满足调至步骤s50;否则对模型的结构、参数、激活函数、损失函数进行调整优化,并转至步骤s30用调整后的深度卷积神经网络模型重新进行训练;
7、步骤s50,由真实pet探测系统采集数据并提取晶间散射信息,进行预处理后送入步骤s40所得深度卷积神经网络模型进行预测,由预测结果进行图像重建得到晶间散射校正后的探测图像。
8、进一步地,步骤s10中,仿真建立pet系统模型,步骤如下:
9、基于gate搭建pet探测器仿真模型,设定环形探测器内径、轴向视场,设定探测晶体尺寸,使探测器具备毫米级空间分辨率的特点,足以产生晶间散射。
10、进一步地,步骤s10中,仿真建立pet系统模型,并仿真探测过程,步骤如下:
11、设置物理过程,设置采集能量窗与时间窗,设置被测物,设置被测物放射活性与采集时间以确保产生足够训练神经网络的晶间散射事件,最后设置输出格式,使输出hits文件中包含命中探测晶体的粒子的所有信息。
12、进一步地,步骤s20中,晶间散射粒子信息提取方法的步骤如下:
13、对输出的hits文件进行筛选,从所有命中粒子中筛选出晶间散射粒子,并对编号相同的粒子从其命中时间、沉积能量、位置信息中提取出能量与x、y、z位置信息;
14、将x、y位置信息转换为极坐标θ和ρ,并将能量和θ、ρ、z位置信息进行归一化后构成一组长度为4的矢量,根据时间提取前6组矢量构成由24个特征值组成的一维数据集,对于特征数不足24的数据在数据末尾添加对应个数的0将其补充为长度为24的数据。
15、进一步地,步骤s30中的深度卷积网络模型结构如下:
16、深度卷积神经网络包括一个编码器和一个译码器,编码器由多个卷积层与池化层组成,译码器由多个卷积层与上采样层组成,编码器和译码器的相应层进行跳跃连接;
17、将输入经过一个编码器提取特征,再经过一个译码器后展平,通过激活函数softmax实现分类。
18、进一步地,步骤s30中深度卷积网络模型所设参数为:
19、卷积核的尺寸为1×5,步长为1,填充方式为same,每一层卷积后跟随一个bn层和一个relu层;最后通过连接一个softmax激活函数实现分类;池化层采用最大池化方式,反卷积的卷积核尺寸为1×3,步长为2,填充方式为same,激活函数采用relu;编码器和译码器的相应层进行跳跃连接。
20、进一步地,步骤s50中,真实pet系统采集数据预处理,公式为:
21、
22、θ=[atan(y/x)+π]/2π
23、z=(z+l/2)/l
24、e=e/0.511
25、其中ρ、θ分别表示归一化后的半径坐标与角坐标信息;z表示归一化后的z轴坐标信息;e表示归一化后的能量信息;e表示采集到的能量信息;x、y、z分别表示采集到的三维坐标信息;r、l、h分别为探测器环的内径、轴向视场长度与闪烁晶体的长度;
26、将采集到的x、y坐标信息转换为极坐标的半径坐标与角坐标信息后进行归一化得到ρ、θ信息,并将采集到的z坐标信息与能量信息进行归一化后得到z、e信息,将ρ、θ、z、e作为一组矢量送入神经网络中进行预测。
27、本发明与现有技术相比,其显著优点在于:(1)有效地构建大量、全面、随机性可控的pet探测仿真数据,采用合理的构建方式制作一维数据,并使用该结构合理的数据送入深度卷积神经网络模型训练,方便快捷地实现了晶间散射校正;(2)基于神经网络模型的相位恢复结果速度是瞬时的,计算速度快;(3)神经网络模型泛化能力强,重建图像恢复效果优秀。
1.一种基于深度卷积神经网络的pet系统晶间散射校正方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度卷积神经网络的pet系统晶间散射校正方法,其特征在于,步骤s10中,仿真建立pet系统模型,步骤如下:
3.根据权利要求1所述的基于深度卷积神经网络的pet系统晶间散射校正方法,其特征在于,步骤s10中,仿真建立pet系统模型,并仿真探测过程,步骤如下:
4.根据权利要求3所述的基于深度卷积神经网络的pet系统晶间散射校正方法,其特征在于,步骤s20中,晶间散射粒子信息提取方法的步骤如下:
5.根据权利要求1所述的基于深度卷积神经网络的pet系统晶间散射校正方法,其特征在于,步骤s30中的深度卷积网络模型结构如下:
6.根据权利要求5所述的基于深度卷积神经网络的pet系统晶间散射校正方法,其特征在于,步骤s30中深度卷积网络模型所设参数为:
7.根据权利要求1所述的基于深度卷积神经网络的pet系统晶间散射校正方法,其特征在于,步骤s50中,真实pet系统采集数据预处理,公式为: