[發(fā)明專(zhuān)利]基于混合損失函數(shù)3D CNN的動(dòng)態(tài)雙示蹤PET重建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811434410.1
• 申請(qǐng)日: 2018-11-28
• 公開(kāi)（公告）號(hào): CN109615674B
• 公開(kāi)（公告）日: 2020-09-18
• 發(fā)明（設(shè)計(jì)）人: 劉華鋒;徐金旻
• 申請(qǐng)（專(zhuān)利權(quán)）人: 浙江大學(xué)
• 主分類(lèi)號(hào): G06T11/00
• 分類(lèi)號(hào): G06T11/00;G06N3/08;G06N3/04
• 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: 王琛

1.一種基于混合損失函數(shù)3D CNN的動(dòng)態(tài)雙示蹤PET重建方法，包括如下步驟：

(1)向生物組織注入由示蹤劑I和示蹤劑II所組成的混合雙示蹤劑并進(jìn)行動(dòng)態(tài)PET探測(cè)，得到對(duì)應(yīng)不同時(shí)刻的符合計(jì)數(shù)向量，進(jìn)而組成反映混合雙示蹤劑分布情況的三維動(dòng)態(tài)符合計(jì)數(shù)序列S^dual；

(2)向生物組織先后注入示蹤劑I和示蹤劑II并進(jìn)行動(dòng)態(tài)PET探測(cè)，得到兩組單示蹤劑對(duì)應(yīng)不同時(shí)刻的符合計(jì)數(shù)向量，進(jìn)而組成分別反映示蹤劑I和示蹤劑II分布情況的三維動(dòng)態(tài)符合計(jì)數(shù)序列S^I和S^II；

(3)利用PET圖像重建算法計(jì)算出動(dòng)態(tài)符合計(jì)數(shù)序列S^dual、S^I和S^II所對(duì)應(yīng)的三維動(dòng)態(tài)PET圖像序列X^dual、X^I和X^II；

(4)使S^dual、X^dual、X^I和X^II組成為樣本，根據(jù)步驟(1)～(3)重復(fù)執(zhí)行多次以得到大量樣本，進(jìn)而將所有樣本分為訓(xùn)練集和測(cè)試集；

(5)利用訓(xùn)練集樣本中的S^dual作為輸入，對(duì)應(yīng)的X^dual作為輔助標(biāo)簽，X^I和X^II作為主標(biāo)簽，通過(guò)三維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到動(dòng)態(tài)雙示蹤劑PET重建模型，具體過(guò)程如下：

5.1構(gòu)建一個(gè)三維卷積神經(jīng)網(wǎng)絡(luò)，其由混合PET圖像的重建網(wǎng)絡(luò)和基于重建后混合圖像的分離網(wǎng)絡(luò)兩部分連接構(gòu)成；

5.2初始化三維卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，包括每一層的偏置向量、權(quán)值矩陣、學(xué)習(xí)率以及最大迭代次數(shù)；

5.3將訓(xùn)練集樣本中的S^dual逐一輸入至三維卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，計(jì)算重建網(wǎng)絡(luò)的輸出結(jié)果與輔助標(biāo)簽X^dual之間的誤差L_aux以及分離網(wǎng)絡(luò)的輸出結(jié)果與主標(biāo)簽[X^I，X^II]之間的誤差L_main，將誤差L_aux和L_main組合成總的損失函數(shù)L；通過(guò)自適應(yīng)矩估計(jì)算法對(duì)整個(gè)三維卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)不斷進(jìn)行更新，直至損失函數(shù)L收斂或達(dá)到最大迭代次數(shù)，從而完成訓(xùn)練得到動(dòng)態(tài)雙示蹤劑PET重建模型；

(6)從測(cè)試集中任取一樣本，使該樣本中的S^dual輸入至所述動(dòng)態(tài)雙示蹤劑PET重建模型，即可輸出得到對(duì)應(yīng)示蹤劑I和示蹤劑II的三維動(dòng)態(tài)PET圖像序列X^I和X^II。

2.根據(jù)權(quán)利要求1所述的動(dòng)態(tài)雙示蹤PET重建方法，其特征在于：所述步驟(4)中將所有樣本分為訓(xùn)練集和測(cè)試集，使得訓(xùn)練集與測(cè)試集的樣本比例大于二分之一。

3.根據(jù)權(quán)利要求1所述的動(dòng)態(tài)雙示蹤PET重建方法，其特征在于：所述重建網(wǎng)絡(luò)由兩個(gè)3D卷積層、一個(gè)reshape層和一個(gè)concat層依次連接構(gòu)成；所述reshape層的輸出維度與輸入S^dual的維度相同，其輸出結(jié)果作為concat層的輸入；所述concat層將兩個(gè)3D卷積層在時(shí)間維度上進(jìn)行復(fù)制連接，其輸出結(jié)果作為分離網(wǎng)絡(luò)的輸入。

4.根據(jù)權(quán)利要求1所述的動(dòng)態(tài)雙示蹤PET重建方法，其特征在于：所述分離網(wǎng)絡(luò)由三個(gè)下采樣塊、三個(gè)上采樣塊和一個(gè)3D卷積層依次連接構(gòu)成。

5.根據(jù)權(quán)利要求4所述的動(dòng)態(tài)雙示蹤PET重建方法，其特征在于：所述下采樣塊包含有八層，第一層為3D卷積層，設(shè)置卷積核不改變輸入維度大小；第二層為BatchNorm層，對(duì)上一層的輸出進(jìn)行歸一化；第三層為Scale層，對(duì)上一層的輸出進(jìn)行縮放和平移；第四層為Relu層，其采用激活函數(shù)，輸出結(jié)果作為第五層的輸入；第五層為3D卷積層，設(shè)置2×2×2的卷積核進(jìn)行下采樣，其輸出相對(duì)輸入維度減半；第六層為BatchNorm層，對(duì)上一層的輸出進(jìn)行歸一化；第七層為Scale層，對(duì)上一層的輸出進(jìn)行縮放和平移；第八層為Relu層，其采用激活函數(shù)，輸出結(jié)果作為下一個(gè)下采樣塊的輸入；經(jīng)過(guò)每一個(gè)下采樣塊，輸入的三個(gè)維度均會(huì)減半。