[發(fā)明專利]一種基于自編碼器圖像融合的動(dòng)態(tài)PET圖像重建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610018749.8
• 申請(qǐng)日: 2016-01-12
• 公開(kāi)（公告）號(hào): CN105678821B
• 公開(kāi)（公告）日: 2018-08-07
• 發(fā)明（設(shè)計(jì)）人: 劉華鋒;王祎樂(lè)
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06T11/00
• 分類號(hào): G06T11/00
• 代理公司: 杭州天勤知識(shí)產(chǎn)權(quán)代理有限公司 33224
• 代理人: 胡紅娟

本發(fā)明公開(kāi)了一種基于自編碼器圖像融合的動(dòng)態(tài)PET圖像重建方法，該方法借鑒了機(jī)器學(xué)習(xí)中集成學(xué)習(xí)的思想，將MLEM算法看成弱分類器，通過(guò)對(duì)不同弱分類器的集成獲得一個(gè)強(qiáng)分類器，提升PET重建效果；本發(fā)明對(duì)已有的MLEM算法進(jìn)行改進(jìn)，通過(guò)自編碼器的結(jié)構(gòu)對(duì)不同迭代次數(shù)重建結(jié)果進(jìn)行圖像融合工作，從而在全局上獲得更優(yōu)的重建結(jié)果。與現(xiàn)有的重建方法相比，本發(fā)明取得了更好的重建效果。

技術(shù)領(lǐng)域

本發(fā)明屬于PET成像技術(shù)領(lǐng)域，具體涉及一種基于自編碼器圖像融合的動(dòng)態(tài)PET圖像重建方法。

背景技術(shù)

正電子發(fā)射斷層成像(Positron Emission Tomography，PET)是核醫(yī)學(xué)領(lǐng)域比較先進(jìn)的臨床檢查影像技術(shù)，其基本原理是：將一些短壽命的放射性物質(zhì)，如¹⁸F、¹¹C標(biāo)記到人體代謝中的一些必須物質(zhì)中，如蛋白質(zhì)，葡萄糖，核酸等，通過(guò)這些物質(zhì)的代謝來(lái)反映人體狀況，達(dá)到診斷的目的。

在代謝過(guò)程中，放射性物質(zhì)的衰變會(huì)產(chǎn)生正電子，一個(gè)正電子在飛行一段距離后遇到電子會(huì)發(fā)生湮滅，產(chǎn)生一對(duì)方向相反的能量為511KeV的光子，這對(duì)光子可以通過(guò)高靈敏度的探測(cè)器進(jìn)行捕捉，進(jìn)而得到發(fā)射數(shù)據(jù)。在得到了發(fā)射數(shù)據(jù)之后，再通過(guò)對(duì)其重建得到原始狀態(tài)分布圖像。

PET圖像的質(zhì)量與重建算法密切相關(guān)，傳統(tǒng)的重建方法包括基于Radon變換的濾波反投影(filtered back projection，F(xiàn)BP)重建方法，近年來(lái)，基于統(tǒng)計(jì)概率先驗(yàn)知識(shí)的方法被不斷提出，典型的包括最大似然期望最大法(maximum likelihood-expectationmaximization，MLEM)和有序子集最大期望(ordered subsets expectationmaximization)，它們從一個(gè)初始值出發(fā)，通過(guò)統(tǒng)計(jì)迭代的方法不斷求解出兩個(gè)或者多個(gè)隱含變量，進(jìn)而得到逼近于真值的解。

然而，MLEM方法也并非能獲得準(zhǔn)確的重建結(jié)果，由于問(wèn)題的病態(tài)性，所得的結(jié)果與迭代次數(shù)密切相關(guān)。迭代次數(shù)過(guò)低，求得的解不夠精確，具體表現(xiàn)為整個(gè)圖像較模糊；迭代次數(shù)過(guò)高，則整個(gè)重建圖像會(huì)出現(xiàn)較多的噪聲。如何選取合適的參數(shù)成為研究的一個(gè)問(wèn)題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)所存在的上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于自編碼器圖像融合的動(dòng)態(tài)PET圖像重建方法，能夠通過(guò)融合不同MLEM重建結(jié)果以及動(dòng)態(tài)PET圖像相鄰幀之間的有效信息獲得更高質(zhì)量的PET重建圖像。

一種基于自編碼器圖像融合的動(dòng)態(tài)PET圖像重建方法，包括如下步驟：

(1)利用探測(cè)器對(duì)注入有放射性物質(zhì)的生物組織進(jìn)行探測(cè)，連續(xù)采集得到對(duì)應(yīng)不同時(shí)刻的多幀符合計(jì)數(shù)向量作為訓(xùn)練集；

(2)對(duì)于訓(xùn)練集中的任一幀符合計(jì)數(shù)向量，根據(jù)PET成像原理通過(guò)MLEM算法估計(jì)得到對(duì)應(yīng)該幀在各關(guān)鍵迭代次數(shù)下的PET濃度分布圖像，然后對(duì)估計(jì)得到的PET濃度分布圖像進(jìn)行分塊，進(jìn)而根據(jù)PET濃度分布圖像的分塊數(shù)據(jù)組建得到多組訓(xùn)練樣本；

(3)構(gòu)建由多個(gè)自編碼器累加而成的神經(jīng)網(wǎng)絡(luò)模型，進(jìn)而利用所述的訓(xùn)練樣本對(duì)該神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并最終確立得到PET圖像重建模型；

(4)根據(jù)步驟(1)連續(xù)采集得到對(duì)應(yīng)不同時(shí)刻的多幀符合計(jì)數(shù)向量作為測(cè)試集；然后根據(jù)步驟(2)通過(guò)估計(jì)得到對(duì)應(yīng)測(cè)試集中每一幀符合計(jì)數(shù)向量在各關(guān)鍵迭代次數(shù)下的PET濃度分布圖像，進(jìn)而對(duì)估計(jì)得到的PET濃度分布圖像進(jìn)行分塊；最后將PET濃度分布圖像的分塊數(shù)據(jù)輸入所述的PET圖像重建模型中，從而輸出得到對(duì)應(yīng)各幀的PET濃度重建圖像。

所述的PET成像原理基于以下關(guān)系式：

y_i＝Gx_i+e_i