[發(fā)明專利]基于深度學習的PET圖像處理方法

有效

• 申請?zhí)枺?/td>: 202110116659.3
• 申請日: 2021-01-28
• 公開（公告）號: CN112991477B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設計）人: 王鑫輝;葉宏偉
• 申請（專利權）人: 明峰醫(yī)療系統(tǒng)股份有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T5/00;G06T5/20;G06T5/50;G06N3/048;G06N3/08
• 代理公司: 紹興市越興專利事務所(普通合伙) 33220
• 代理人: 蔣衛(wèi)東

1.一種基于深度學習的PET圖像處理方法，其特征在于，包括如下步驟：

(1)建立多輸入深度學習融合算法的神經網絡模型；

(2)訓練多輸入深度學習融合算法的神經網絡模型；

(3)將非濾波和濾波后的多幅PET圖像輸入訓練好的神經網絡模型中進行處理，得到融合圖像；

所述多輸入深度學習融合算法的神經網絡模型的架構包括：堆棧編碼器、堆棧解碼器和殘差補償模塊；堆棧編碼器包括多個卷積層和ReLU激活函數(shù)；堆棧解碼器包括多個反卷積層和ReLU激活函數(shù)；卷積層與反卷積層相互匹配通過捷徑連接，且數(shù)量相同，呈對稱排列，每一層卷積層或反卷積層后面都有ReLU激活函數(shù)；

所述非濾波和濾波后的多幅PET圖像通過卷積、ReLU激活函數(shù)、反卷積、ReLU激活函數(shù)、以及復制并相加得到所述融合圖像；

堆棧編碼器表示為：

????????（1）

其中N是卷積層的數(shù)量，W_i和b_i分別表示權重和偏差，*表示卷積運算符，x₀是輸入圖像的提取塊，x_i，i0，是前i層網絡的提取特征，ReLU(x)＝max(0,x)是激活函數(shù)；

堆棧解碼器表示為：

?????????（2）

其中M是反卷積層的數(shù)量，W_i′和b_i′分別表示權重和偏差，表示反卷積運算符，y_M＝x是堆疊編碼后的輸出特征向量，y_i，Mi0，是前i層反卷積網絡的重構特征向量，y₀是重建的圖像塊；

殘差補償模塊通過以下過程進行殘差補償：定義輸入圖像為I，輸出圖像為O，對應的殘差映射表示為F(I)＝O–I；建立殘差映射后，重建原始映射R(I)＝O＝F(I)+I。

2.如權利要求1所述的基于深度學習的PET圖像處理方法，其特征在于：通過低劑量PET圖像和全劑量PET圖像之間的損失函數(shù)L(D；T)估計卷積層和反卷積層中的參數(shù)T＝{W_i?,b_i,?W′_i?,b′_i?}，給定一組全劑量和低劑量PET成對的圖像塊P＝{(X₁?,Y₁)?,(X₂?,Y₂)?,…?,(X_k?,Y_k)}?,其中{X_i}和{Y_i}分別表示全劑量和低劑量PET圖像塊，K是訓練樣本的總數(shù)；損失函數(shù)定義為均方誤差：

??????????????????（3）。