[發明專利]基于濾波反投影算法和神經網絡的PET圖像重建方法

有效

• 申請號: 202010436333.4
• 申請日: 2020-05-21
• 公開（公告）號: CN111627082B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 劉華鋒;王博
• 申請（專利權）人: 浙江大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N3/04;G06N3/08;G06T5/00
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 王琛

1.一種基于濾波反投影算法和神經網絡的PET圖像重建方法，包括如下步驟：

(1)利用PET設備對注入有放射性示蹤劑的生物組織進行掃描，用以探測符合光子并進行計數，得到原始投影數據矩陣Y；

(2)利用現有PET重建方法對原始投影數據矩陣Y進行重建，得到對應的PET示蹤劑濃度分布圖X；

(3)根據步驟(1)和(2)獲取大量數據樣本，每一數據樣本包括原始投影數據矩陣Y及其對應的PET示蹤劑濃度分布圖X；

(4)根據PET測量方程將PET圖像重建問題拆分成兩個子問題Q1和Q2，其中子問題Q1為重建問題即由原始投影數據矩陣Y重建得到含有大量噪聲的初步PET濃度分布圖F₁(Y)，子問題Q2為去噪問題即去除F₁(Y)中的噪聲F₂(R+S)得到PET示蹤劑濃度分布圖X＝F₁(Y)-F₂(R+S)；

(5)采用濾波反投影層以解決子問題Q1，采用去噪卷積神經網絡以解決子問題Q2，進而將濾波反投影層與去噪卷積神經網絡串聯得到FBP-Net；

(6)利用數據樣本對FBP-Net進行訓練得到PET圖像重建模型，進而將待重建的原始投影數據矩陣Y輸入至該模型中，即可輸出得到高質量的PET示蹤劑濃度分布圖X。

2.根據權利要求1所述的PET圖像重建方法，其特征在于：所述步驟(4)中PET測量方程的表達式如下：

Y＝GX+R+S

其中：G為系統矩陣，R和S分別為反映隨機事件和散射事件的測量噪聲矩陣。

3.根據權利要求1所述的PET圖像重建方法，其特征在于：所述步驟(5)中濾波反投影層的輸入為Y，輸出為F₁(Y)，該層基于FBP算法，包括頻域濾波和反投影兩部分，其中頻域濾波部分采用可學習的濾波器實現，即每個角度的投影數據對應一個獨立的一維頻域濾波器。

4.根據權利要求1所述的PET圖像重建方法，其特征在于：所述步驟(5)中去噪卷積神經網絡的輸入為F₁(Y)，輸出為X，該神經網絡從輸入至輸出由八個2D卷積層和一個歸一化層依次級聯組成，每個2D卷積層包含了64個3×3大小的濾波卷積核，除了第8個卷積層外，前7個卷積層的輸出均通過激活函數ReLU和批歸一化處理，神經網絡的輸入F₁(Y)減去第8個卷積層的輸出，其相減后的結果經歸一化層后即輸出得到PET示蹤劑濃度分布圖X。

5.根據權利要求1所述的PET圖像重建方法，其特征在于：所述步驟(6)利用數據樣本對FBP-Net進行訓練之前，將數據樣本中的原始投影數據矩陣Y及其對應的PET示蹤劑濃度分布圖X進行單幀的數據歸一化處理，具體公式如下：

其中：x和x_norm分別為歸一化前后的數據值，x_max和x_min分別為單幀數據中的最大值和最小值。

6.根據權利要求1所述的PET圖像重建方法，其特征在于：所述步驟(6)中對FBP-Net進行訓練的過程為：首先初始化FBP-Net的參數，即采用Ramp濾波器初始化濾波反投影層中的所有頻域濾波器，采用截斷正態分布初始化去噪卷積神經網絡中的各層參數；然后將數據樣本中的原始投影數據矩陣Y逐一輸入至FBP-Net中進行訓練，計算FBP-Net的輸出結果與數據樣本中對應PET示蹤劑濃度分布圖X之間的損失函數L，進而利用Adam算法對整個FBP-Net的參數不斷進行更新，直至損失函數L收斂或達到最大迭代次數，從而完成訓練得到PET圖像重建模型。

7.根據權利要求6所述的PET圖像重建方法，其特征在于：所述損失函數L的表達式如下：

其中：為第i個數據樣本中的原始投影數據矩陣Y輸入至FBP-Net得到的輸出結果，X(i)為第i個數據樣本中的PET示蹤劑濃度分布圖X，N為數據樣本的數量。

8.根據權利要求1所述的PET圖像重建方法，其特征在于：該PET圖像重建方法將重建問題拆分為重建和去噪兩個子問題，分別使用濾波反投影層和改進的去噪卷積神經網絡解決；其中濾波反投影層將頻域濾波器看作可學習的，由sinogram重建含有噪聲的重建圖；改進的去噪卷積神經網絡去除重建圖像中的噪聲，從而獲得清楚的重建圖。