一种基于扩散模型的PET迭代重建方法及系统与流程

本发明涉及医学影像领域，具体涉及一种基于扩散模型的pet重建系统及构建方法。

背景技术：

1、pet（正电子发射断层成像）是一种先进的医学成像技术，因其能够实现对人体内部组织和器官进行无创、准确且高分辨率的图像化显示而广泛应用于临床医学研究和治疗方面。pet成像技术使用放射性同位素标记的分子显像剂，通过标记的物质在人体内的代谢转化等反应来实现图像化显示。相比传统成像技术，如x光和mri，pet具有更高的灵敏度和特异性，能够探测到病理生理活动的细微变化，帮助医生更准确地诊断和治疗疾病。

2、然而，pet成像本身的物理特性和成像过程中噪声干扰等原因，现有的pet重建系统在成像质量和数据处理效率等方面存在着不足之处。其中，噪声干扰是影响pet图像质量的主要因素之一。在原始数据采集过程中，由于各种因素的干扰，如电子学噪声、散射和相互作用等，会导致成像结果出现噪点、畸变和模糊等问题，进而影响诊断和治疗效果。

3、目前，已经出现了一些方法来解决噪声干扰的问题，例如使用滤波、去噪、降采样等技术。然而，这些方法在实践中存在一些缺陷，如难以抑制噪声、导致信息损失等问题，需要新的方法来提高pet成像的精度和可靠性。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提出了一种基于扩散模型的pet迭代重建方法及系统，借助扩散模型在图像降噪中的均值滤波效果、边缘保留性和可拓展性等特点，在pet图像的原始弦图数据中对其进行降噪处理，并将这个过程融合到传统迭代重建中，从而降低pet重建图像的噪声水平，可以更好的为临床使用。

2、本发明的目的是通过以下技术方案来实现的：

3、一种基于扩散模型的pet迭代重建方法，在每次pet迭代重建过程中，包括：

4、将输入图像和对应的正投图像拼接输入至训练好的扩散模型进行逐步去噪，得到去噪后的输入图像；

5、基于去噪后的输入图像重建获得输出图像；

6、判断是否满足预设的迭代停止条件，若满足，将本次迭代后的输出图像作为最终的pet迭代重建图像；否则将本次迭代后的输出图像作为下一次迭代的输入图像，执行下一次迭代；

7、其中，输入图像的初始值为pet原始弦图数据；对应的正投图像由pet原始弦图数据经由一次重建后再正投影获得。

8、进一步地，训练好的扩散模型是利用训练数据集，基于噪声扩散学习进行训练获得的；其中，所述训练数据集的每一样本包含pet原始弦图数据和对应的正投图像。

9、进一步地，输入图像、正投图像的大小与训练好的扩散模型网络结构大小配合。

10、进一步地，基于噪声扩散学习进行训练具体为：

11、将训练数据集的每一样本中的pet原始弦图数据利用随机高斯噪声进行扩散获得扩散图像，再与对应的正投图像拼接作为扩散模型的输入，通过最小化损失函数进行网络反向传播完成梯度更新，循环直至模型收敛或达到训练次数，获得训练好的扩散模型；所述损失函数包括扩散模型输出的预测噪声与随机高斯噪声的偏差损失。

12、进一步地，所述损失函数具体为：

13、；

14、其中，表示输出的预测噪声，表示真实的随机高斯噪声，∑表示对所有像素的累积求和；n表示图像中所有像素的个数，i表示像素标号。

15、进一步地，所述扩散模型采用的网络结构为u-net、fcn、deeplab或pspnet。

16、一种基于扩散模型的pet迭代重建系统，包括：

17、去噪模块，用于将输入图像和对应的正投图像拼接输入至训练好的扩散模型进行逐步去噪，得到去噪后的输入图像；其中，输入图像的初始值为pet原始弦图数据；对应的正投图像由pet原始弦图数据经由一次重建后再正投影获得；

18、重建模块，用于基于去噪后的输入图像重建获得输出图像；

19、输出模块，用于判断是否满足预设的迭代停止条件，若满足，将本次迭代后的输出图像作为最终的pet迭代重建图像；否则将本次迭代后的输出图像作为下一次迭代的输入图像，执行下一次迭代。

20、进一步地，所述系统还包括：

21、训练模块，利用训练数据集，基于噪声扩散学习进行训练获得扩散模型。

22、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于扩散模型的pet迭代重建方法。

23、一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现所述的一种基于扩散模型的pet迭代重建方法。

24、本发明的有益效果是：将扩散模型结合到传统的pet迭代重建中，可以有效减少噪声的影响，提高图像的质量和准确性；可以更好地保留细节信息，使得重建图像更加清晰、丰富，有助于医生准确诊断和疾病评估；可以改善pet重建图像的空间分辨率；可以加快收敛速度，减少迭代次数，从而缩短重建时间。

技术特征：

1.一种基于扩散模型的pet迭代重建方法，其特征在于，在每次pet迭代重建过程中，包括：

2.根据权利要求1所述的方法，其特征在于，训练好的扩散模型是利用训练数据集，基于噪声扩散学习进行训练获得的；其中，所述训练数据集的每一样本包含pet原始弦图数据和对应的正投图像。

3.根据权利要求2所述的方法，其特征在于，输入图像、正投图像的大小与训练好的扩散模型网络结构大小配合。

4.根据权利要求2所述的方法，其特征在于，基于噪声扩散学习进行训练具体为：

5.根据权利要求4所述的方法，其特征在于，所述损失函数具体为：

6.根据权利要求1所述的方法，其特征在于，所述扩散模型采用的网络结构为u-net、fcn、deeplab或pspnet。

7.一种基于扩散模型的pet迭代重建系统，其特征在于，包括：

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述的一种基于扩散模型的pet迭代重建方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-6任一项所述的一种基于扩散模型的pet迭代重建方法。

技术总结
本发明涉及一种基于扩散模型的PET迭代重建方法及系统，主要解决现有PET重建系统中噪声干扰大、成像质量低的问题。本发明将扩散模型引入到迭代重建的过程中，在每次迭代重建时，将输入图像和对应的正投图像拼接输入至训练好的扩散模型进行逐步去噪，得到去噪后的输入图像；基于去噪后的输入图像重建获得输出图像；本发明通过利用扩散模型对PET弦图数据进行降噪，降低了原始信号中的噪声干扰，提高了数据质量；通过在原有的迭代重建步骤中引入扩散模型降噪单元来优化重建过程，进一步提高了重建图像的成像质量。与现有技术相比，本发明采用了基于扩散模型的迭代重建方法，能够有效地降低噪声干扰，提高图像成像质量，具有广泛的应用前景。

技术研发人员：黄海亮,朱闻韬,黄中柯,张朵儿,杨德富
受保护的技术使用者：之江实验室
技术研发日：
技术公布日：2024/1/25