[發明專利]基于深度學習的低劑量PET數據三維迭代更新重建方法

有效

• 申請號: 202011522344.0
• 申請日: 2020-12-21
• 公開（公告）號: CN112258642B
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 楊寶;朱聞韜;周龍;葉宏偉
• 申請（專利權）人: 之江實驗室;明峰醫療系統股份有限公司
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于深度學習的低劑量PET數據三維迭代更新重建方法，其特征在于，具體包括以下步驟：

(1)將低劑量sinogram和標準劑量sinogram，分別經過衰減、隨機、散射校正、反投影及歸一化，獲取低劑量PET數據在圖像域的3D表征和標準劑量PET數據在圖像域的3D表征；

(2)將步驟(1)獲得的低劑量PET數據在圖像域的3D表征和標準劑量PET數據在圖像域的3D表征作為輸入，以標準劑量PET重建圖像作為神經網絡映射的標簽，訓練神經網絡，使用Adam優化算法最小化所述神經網絡的損失函數，獲得從PET數據到重建圖像的第一映射網絡估計；

(3)隨后以所述標準劑量PET重建圖像作為輸入，所述標準劑量PET數據在圖像域的3D表征作為神經網絡映射的標簽，訓練神經網絡，使用Adam優化算法最小化所述神經網絡的損失函數，獲得從PET重建圖像到數據的第二映射網絡估計；

(4)將待重建低劑量PET數據在圖像域的3D表征作為第一映射網絡估計的輸入，經網絡權值計算，獲得第一標準劑量PET重建圖像的估計；

(5)將步驟(4)獲得的第一標準劑量PET重建圖像的估計作為第二映射網絡估計的輸入，經網絡權值計算，獲得標準劑量PET原始數據圖像域3D表征的估計；

(6)將待重建劑量PET數據在圖像域的3D表征和步驟(5)獲得的標準劑量PET原始數據圖像域3D表征的估計作為第一映射網絡估計的輸入，經網絡權值計算，獲得第二標準劑量PET重建圖像的估計；

(7)交替執行步驟(5)-(6)n次，直至第n次獲得的第n標準劑量PET重建圖像的估計與第n-1次獲得的第n-1標準劑量PET重建圖像的估計的差值的絕對值小于ε，即獲取最終標準劑量PET重建圖像的估計；

所述反投影是將sinogram反投影至圖像域獲得高度模糊的PET圖像laminogram；所述高度模糊的PET圖像laminogram與PET重建圖像存在以下關系：

b(i,j,k)＝f(i,j,k)*F^-1{H(υ,ψ)} (2)

其中，f(i,j,k)和b(i,j,k)分別表示三維PET重建圖像和高度模糊的PET圖像laminogram上某像素點(i,j,k)處的活度值，H(υ,ψ)是旋轉對稱的點擴散函數的三維傅里葉變換。

2.根據權利要求1所述基于深度學習的低劑量PET數據三維迭代更新重建方法，其特征在于，所述神經網絡的損失函數為：

其中，N_i、N_j和N_k分別表示laminogram或PET圖像在水平、豎直和軸向的像素點總個數，b_full(i,j,k)表示標準劑量laminogram，b_low(i,j,k)表示低劑量laminogram，f_full(i,j,k)表示準劑量PET重建圖像，C₁表示3D深度神經網絡擬擬合的從b_full(i,j,k)和b_low(i,j,k)到f_full(i,j,k)的映射，C₂是從f_full(i,j,k)到b_full(i,j,k)的逆映射。

3.根據權利要求1所述基于深度學習的低劑量PET數據三維迭代更新重建方法，其特征在于，所述神經網絡由3D卷積層、3D反卷積層，以及它們之間的跳躍連接構成。