[發明專利]一種基于自編碼器圖像融合的動態PET圖像重建方法

有效

• 申請號: 201610018749.8
• 申請日: 2016-01-12
• 公開（公告）號: CN105678821B
• 公開（公告）日: 2018-08-07
• 發明（設計）人: 劉華鋒;王祎樂
• 申請（專利權）人: 浙江大學
• 主分類號: G06T11/00
• 分類號: G06T11/00
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

1.一種基于自編碼器圖像融合的動態PET圖像重建方法，包括如下步驟：

(1)利用探測器對注入有放射性物質的生物組織進行探測，連續采集得到對應不同時刻的多幀符合計數向量作為訓練集；

(2)對于訓練集中的任一幀符合計數向量，根據PET成像原理通過MLEM算法估計得到對應該幀在各關鍵迭代次數下的PET濃度分布圖像，然后對估計得到的PET濃度分布圖像進行分塊：即對于PET濃度分布圖像中的任一體素，從PET濃度分布圖像中截取以該體素為中心大小為n×n的圖塊作為一組分塊數據，依此遍歷PET濃度分布圖像中的所有體素，得到M組分塊數據，M為PET濃度分布圖像的體素總個數，n為大于1的自然數；

進而根據PET濃度分布圖像的分塊數據組建得到多組訓練樣本，每組訓練樣本包括輸入量和輸出量，所述的輸入量包括通過估計得到的對應訓練集中第i-p幀至第i+p幀符合計數向量y_i-p～y_i+p在各關鍵迭代次數下的所有PET濃度分布圖像的第j組分塊數據，所述的輸出量為第i幀符合計數向量y_i所對應PET濃度真值圖像的第j組分塊數據；p為大于0的自然數，i為自然數且1≤i≤N，N為訓練集中符合計數向量的幀數，j為自然數且1≤j≤M；

(3)構建由多個自編碼器累加而成的神經網絡模型，進而利用所述的訓練樣本對該神經網絡模型進行訓練，并最終確立得到PET圖像重建模型；

(4)根據步驟(1)連續采集得到對應不同時刻的多幀符合計數向量作為測試集；然后根據步驟(2)通過估計得到對應測試集中每一幀符合計數向量在各關鍵迭代次數下的PET濃度分布圖像，進而對估計得到的PET濃度分布圖像進行分塊；最后將PET濃度分布圖像的分塊數據輸入所述的PET圖像重建模型中，從而輸出得到對應各幀的PET濃度重建圖像。

2.根據權利要求1所述的動態PET圖像重建方法，其特征在于：所述的PET成像原理基于以下關系式：

y_i＝Gx_i+e_i

其中：y_i為第i幀符合計數向量，x_i為第i幀PET濃度分布圖像，e_i為第i幀對應的系統噪聲向量，G為系統矩陣，i為自然數且1≤i≤N，N為訓練集中符合計數向量的幀數。

3.根據權利要求1所述的動態PET圖像重建方法，其特征在于：所述的自編碼器由輸入層、隱藏層和輸出層組成；其中，前一個自編碼器的隱藏層為后一個自編碼器的輸入層；對于任一自編碼器，其隱藏層的神經元個數比輸入層的神經元個數少。

4.根據權利要求3所述的動態PET圖像重建方法，其特征在于：所述自編碼器的函數模型如下：

h＝σ(wt+b)

z＝σ(w'h+b')

其中：t、h和z分別為自編碼器的輸入層、隱藏層和輸出層，w和b均為輸入層與隱藏層之間的模型參數，w'和b'均為隱藏層與輸出層之間的模型參數，σ(s)為神經元函數且s為神經元函數σ(s)的自變量。

5.根據權利要求4所述的動態PET圖像重建方法，其特征在于：所述的步驟(3)中對神經網絡模型進行訓練的具體方法如下：

對于神經網絡模型中的第一個自編碼器，以訓練樣本的輸入量作為該自編碼器的輸入層，使該自編碼器輸出層與輸入層的損失函數L最小為目標，通過梯度下降法求解出該自編碼器輸入層與隱藏層之間以及隱藏層與輸出層之間的模型參數；

對于神經網絡模型中除第一個和最后一個以外的任一自編碼器，以前一個自編碼器的隱藏層作為該自編碼器的輸入層，使該自編碼器輸出層與輸入層的損失函數L最小為目標，通過梯度下降法求解出該自編碼器輸入層與隱藏層之間以及隱藏層與輸出層之間的模型參數；

對于神經網絡模型中的最后一個自編碼器，以前一個自編碼器的隱藏層作為該自編碼器的輸入層，使訓練樣本的輸出量與該自編碼器輸入層的損失函數L'最小為目標，通過反向傳播法求解出該自編碼器輸入層與隱藏層之間以及隱藏層與輸出層之間的模型參數。