[發(fā)明專利]一種基于3D Unet的動態(tài)雙示蹤PET成像方法

有效

• 申請?zhí)枺?/td>: 202010285064.6
• 申請日: 2020-04-13
• 公開（公告）號: CN111476859B
• 公開（公告）日: 2022-09-16
• 發(fā)明（設計）人: 劉華鋒;卿敏敏
• 申請（專利權）人: 浙江大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T19/00;G06N3/04;G06N3/08
• 代理公司: 杭州天勤知識產(chǎn)權代理有限公司 33224
• 代理人: 王琛

1.一種基于3D Unet的動態(tài)雙示蹤PET成像方法，包括如下步驟：

(1)對注入有混合雙示蹤劑的生物組織進行動態(tài)PET探測，得到對應不同時刻的符合計數(shù)向量，進而組成反映混合雙示蹤劑分布情況的動態(tài)符合計數(shù)序列Y^dual，所述混合雙示蹤劑由兩種不同的示蹤劑I和示蹤劑II所組成；

(2)對先后注入有示蹤劑I和示蹤劑II的生物組織進行動態(tài)PET探測，分別得到兩組單示蹤劑對應不同時刻的符合計數(shù)向量，進而組成分別反映示蹤劑I和示蹤劑II分布情況的動態(tài)符合計數(shù)序列Y^I和Y^II；

(3)利用PET圖像重建算法計算出動態(tài)符合計數(shù)序列Y^dual、Y^I和Y^II所對應的動態(tài)PET圖像序列X^dual、X^I和X^II；

(4)使X^dual、X^I和X^II組成作為一個樣本，根據(jù)步驟(1)～(3)重復執(zhí)行多次以得到大量樣本，進而將所有樣本分為訓練集和測試集；

(5)利用訓練集樣本作為輸入對3D Unet神經(jīng)網(wǎng)絡進行訓練，得到動態(tài)雙示蹤劑PET重建模型；

所述3D Unet神經(jīng)網(wǎng)絡從輸入至輸出由三個下采樣塊D1～D3、上采樣塊U1、concat層C1、上采樣塊U2、concat層C2、上采樣塊U3、concat層C3、一個卷積塊和一個3D卷積層H依次連接組成；

所述下采樣塊D1包含有七層結構：第一層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生8個Feature map；第二層為BatchNorm層，對上一層的輸出進行歸一化；第三層為LeakyRelu層，對上一層的輸出做激活函數(shù)處理；第四層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生8個Feature map；第五層為BatchNorm層，對上一層的輸出進行歸一化；第六層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理，其輸出作為concat層C3的輸入；第七層為3D最大池化層，設置2×2×2大小的卷積核進行下采樣，產(chǎn)生8個Feature map；

所述下采樣塊D2包含有七層結構：第一層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生16個Feature map；第二層為BatchNorm層，對上一層的輸出進行歸一化；第三層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第四層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生16個Feature map；第五層為BatchNorm層，對上一層的輸出進行歸一化；第六層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理，其輸出作為concat層C2的輸入；第七層為3D最大池化層，設置3×2×2大小的卷積核進行下采樣，產(chǎn)生16個Feature map；

所述下采樣塊D3包含有七層結構：第一層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生32個Feature map；第二層為BatchNorm層，對上一層的輸出進行歸一化；第三層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第四層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生32個Feature map；第五層為BatchNorm層，對上一層的輸出進行歸一化；第六層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理，其輸出作為concat層C1的輸入；第七層為3D最大池化層，設置1×2×2大小的卷積核進行下采樣，產(chǎn)生32個Feature map；

所述上采樣塊U1包含有九層結構：第一層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生64個Feature map；第二層為BatchNorm層，對上一層的輸出進行歸一化；第三層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第四層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生64個Feature map；第五層為BatchNorm層，對上一層的輸出進行歸一化；第六層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第七層為3D反卷積層，其設置1×2×2大小的卷積核，產(chǎn)生32個Feature map；第八層為BatchNorm層，對上一層的輸出進行歸一化；第九層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；

所述上采樣塊U2包含有九層結構：第一層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生32個Feature map；第二層為BatchNorm層，對上一層的輸出進行歸一化；第三層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第四層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生32個Feature map；第五層為BatchNorm層，對上一層的輸出進行歸一化；第六層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第七層為3D反卷積層，其設置3×2×2大小的卷積核，產(chǎn)生16個Feature map；第八層為BatchNorm層，對上一層的輸出進行歸一化；第九層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；

所述上采樣塊U3包含有九層結構：第一層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生16個Feature map；第二層為BatchNorm層，對上一層的輸出進行歸一化；第三層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第四層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生16個Feature map；第五層為BatchNorm層，對上一層的輸出進行歸一化；第六層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第七層為3D反卷積層，其設置2×2×2大小的卷積核，產(chǎn)生8個Feature map；第八層為BatchNorm層，對上一層的輸出進行歸一化；第九層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；

所述concat層C1將上采樣塊U1的輸出以及下采樣塊D3第六層的輸出在channel維度方向上進行連接后作為上采樣塊U2的輸入；所述concat層C2將上采樣塊U2的輸出以及下采樣塊D2第六層的輸出在channel維度方向上進行連接后作為上采樣塊U3的輸入；所述concat層C3將上采樣塊U3的輸出以及下采樣塊D1第六層的輸出在channel維度方向上進行連接后作為卷積塊的輸入；

所述卷積塊包含有六層結構：第一層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生8個Feature map；第二層為BatchNorm層，對上一層的輸出進行歸一化；第三層為Leaky Relu層，對上一層的輸出做激活函數(shù)處理；第四層為3D卷積層，其設置3×3×3大小的卷積核，產(chǎn)生8個Feature map；第五層為BatchNorm層，對上一層的輸出進行歸一化；第六層為LeakyRelu層，對上一層的輸出做激活函數(shù)處理，其輸出作為3D卷積層H的輸入；

所述3D卷積層H設置1×1×1大小的卷積核，產(chǎn)生1個Feature map作為整個網(wǎng)絡的輸出，即為兩種示蹤劑對應的動態(tài)PET圖像序列X^I和X^II在時間維度上的串聯(lián)；

(6)從測試集中任取一樣本，使該樣本中的X^dual在時間維度復制連接構成[X^dual,X^dual]后輸入至所述動態(tài)雙示蹤劑PET重建模型，即可輸出得到對應示蹤劑I和示蹤劑II的動態(tài)PET圖像序列X^I和X^II。