一种基于深度神经网络的低剂量PET图像重建方法

本发明涉及核医学成像，特别地是一种基于深度神经网络的低剂量pet(正电子发射断层显像仪)图像重建方法。

背景技术：

1、正电子发射断层显像仪是医学疾病诊断常用的医学影像之一,通过给患者注射放射性示踪剂，pet可以检测人体组织在分子层面的代谢活动和生理过程，但示踪剂的放射性会对患者造成潜在的辐射风险，造成遗传损伤和癌变疾病，然而如果减少示踪剂浓度和检测时间，然而这会使得检测到的光子减少，重建的影像出现严重的伪影和噪声。

2、常用的反投影滤波算法和迭代重建后滤波算法都存在一些不足：反投影滤波算法的计算速度快，但是重建影像质量差，噪声大等缺点；迭代重建算法考虑了噪声模型，能更好的恢复图像细节，抑制噪声，但是其消耗的计算资源较多，重建时间长。此外，在低剂量成像中，由于获取的正弦图计数率低，存在的统计学噪声多，两种算法重建的影像会出现严重的噪声和细节丢失等现象。

3、总之，现有的算法在低剂量成像的应用中存在重建时间长和图像信噪比低等问题。

技术实现思路

1、本发明的目的在于提供一种快速、准确的基于深度神经网络的低剂量pet图像重建方法。

2、实现本发明目的的技术解决方案为：一种基于深度神经网络的低剂量pet图像重建方法，步骤如下：

3、步骤s1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集；

4、步骤s2、通过将图像分块并前向投影，生成正弦图掩码；

5、步骤s3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤s1得到的数据集对深度神经网络模型进行训练；

6、步骤s4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤s5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤s3重新训练；

7、步骤s5、基于截断奇异值分解减小网络参数；

8、步骤s6、将真实pet系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像。

9、本发明与现有技术相比，其显著优点为：(1)可以直接从投影域的正弦图数据重建为pet影像数据，不需要迭代重建，所需时间短，在全身pet成像和动态成像能够快速成像；(2)提出网络能更好的保留图像的细节，减少重建影像的噪声和伪影，在低计数的情形下仍能减少噪声、提高信噪比。

技术特征：

1.一种基于深度神经网络的低剂量pet图像重建方法，其特征在于，步骤如下：

2.根据权利要求1所述的基于深度神经网络的低剂量pet图像重建方法，其特征在于，步骤s1中，仿真数据集的生成过程具体如下：

3.根据权利要求1所述的基于深度神经网络的低剂量pet图像重建方法，其特征在于，步骤s2中，生成正弦图掩码，具体如下：

4.根据权利要求1所述的基于深度神经网络的低剂量pet图像重建方法，其特征在于，步骤s3中所述构建深度神经网络模型结构，设置训练超参数、优化算法，其中优化算法采用adam算法，网络模型结构如下：

5.根据权利要求1所述的基于深度神经网络的低剂量pet图像重建方法，其特征在于，步骤s3中所述使用混合损失函数和步骤s1得到的数据集对深度神经网络模型进行训练，其中混合损失函数lmix(x,y)的公式如下：

6.根据权利要求1所述的基于深度神经网络的低剂量pet图像重建方法，其特征在于，步骤s5中所述的基于截断奇异值分解减小网络参数，过程如下：

技术总结
本发明公开了一种基于深度神经网络的低剂量PET图像重建方法，具体为：将标准剂量重建的影像数据增强后前向投影生成无噪声投影域数据，添加泊松噪声模拟低剂量情形，生成仿真数据集；通过将图像分块并投影的方式生成正弦图掩码；利用掩码构建网络模型，使用混合损失函数和生成的数据集对深度神经网络进行训练；根据评价指标，判断图像重建效果是否满足要求：满足则进入下一步；否则更改网络结构，修改优化函数、学习率和损失函数的参数，重新训练；通过截断奇异值分解减少全连接层参数；将实际采集的正弦图数据，作为深度神经网络模型的输入，计算得到重建的影像。本发明减少了图像重建的计算时间，提高了低计数率情形下重建影像的信噪比。

技术研发人员：崔珂,叶剑波,李翔宇
受保护的技术使用者：南京理工大学
技术研发日：
技术公布日：2024/1/13