[發明專利]基于聯合字典學習和深度網絡的PET圖像重建方法

有效

• 申請號: 202110730163.5
• 申請日: 2021-06-29
• 公開（公告）號: CN113450427B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 鄭海榮;李彥明;萬麗雯;張娜;徐英杰
• 申請（專利權）人: 深圳高性能醫療器械國家研究院有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06V10/774;G06V30/242;G06V10/82;G06N3/045;G06N3/0475;G06N3/094;A61B6/00;A61B6/03
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 朱偉軍;耿慧敏

本申請公開了一種基于聯合字典學習和深度網絡的PET圖像重建方法，涉及醫學影像處理領域。包括以下步驟：獲取訓練樣本，根據訓練樣本利用字典學習獲取聯合字典，訓練樣本包括低劑量補丁以及與其相對應的MR補丁和標準劑量補?。粯嫿―NN網絡；根據低劑量樣本向量和標準劑量樣本向量訓練DNN網絡直至收斂，得到映射模型，其中，低劑量樣本向量、MR樣本向量和標準劑量樣本向量分別為低劑量補丁、MR補丁和標準劑量補丁在與其對應的低劑量字典、MR字典和標準劑量字典下的稀疏系數；將低劑量PET圖像以及其對應的MR圖像進行預處理，并利用獲取的聯合字典以及訓練后的DNN網絡預測得到標準劑量PET圖像。本申請用于減少低劑量PET圖像噪聲并增強圖像細節。

技術領域

本申請涉及醫學影像處理領域，尤其涉及基于聯合字典學習和深度網絡的PET圖像重建方法。

背景技術

磁共振成像(magnetic?resonance?imaging，MRI)與正電子發射計算機斷層成像(positron?emission?tomography，PET)相結合的PET-MR系統。具有PET和MR的檢查功能，具有靈敏度搞、準確性好、輻射量少等優勢。但是，標準劑量的PET示蹤劑的放射性具有很大的健康隱患，在累計效應下會增加各種疾病發生的可能性。

降低PET示蹤劑劑量是一種可行的方案，該方案存在的最大問題是低劑量PET圖像的噪聲較大、細節丟失，不利于疾病的診斷。目前從低劑量PET圖像到標準劑量PET圖像的預測主要有兩種，通過稀疏表達的傳統算法和通過神經網絡的深度學習，通過稀疏表達的傳統算法以字典學習為主，通過深度學習的以CNN網絡和GAN對抗網絡為主。但現有的方法存在圖像產生噪聲和細節丟失的問題以及由于PET圖像分辨率較高，導致預測過程計算量大，迭代速度慢的問題。

發明內容

本申請提供一種基于聯合字典學習和深度網絡的PET圖像重建方法，利用訓練樣本以及構建的聯合字典，分別獲取低劑量、MR和標準劑量對應的稀疏系數，并將稀疏系數作為樣本向量引入到DNN網絡，將低劑量樣本向量映射到標準劑量樣本向量，避免了在PET成像時降低PET顯影劑劑量而導致圖像產生噪聲和細節丟失的弊端，同時實現了低劑量PET圖像到標準劑量PET圖像的預測。

為達到上述目的，基于聯合字典學習和深度網絡的PET圖像重建方法，包括以下步驟：

獲取訓練樣本，其中所述訓練樣本包括低劑量補丁以及與其相對應的MR補丁和標準劑量補??；

根據訓練樣本利用字典學習獲取聯合字典，其中，所述聯合字典包括低劑量字典、MR字典和標準劑量字典；

獲取低劑量樣本向量、MR樣本向量和標準劑量樣本向量，其中，所述低劑量樣本向量、MR樣本向量和標準劑量樣本向量分別為低劑量補丁、MR補丁和標準劑量補丁在與其對應的低劑量字典、MR字典和標準劑量字典下的稀疏系數；

構建DNN網絡；

根據低劑量樣本向量、MR樣本向量和標準劑量樣本向量訓練所述DNN網絡直至收斂，得到低劑量樣本向量到標準劑量樣本向量的映射模型；

將低劑量PET圖像以及其對應的MR圖像進行預處理，并利用獲取的聯合字典以及訓練后的DNN網絡預測得到標準劑量PET圖像。

進一步地是，根據低劑量樣本向量、MR樣本向量和標準劑量樣本向量訓練所述DNN網絡直至收斂，得到低劑量樣本向量到標準劑量樣本向量的映射模型的步驟具體包括：

將低劑量樣本向量和MR樣本向量作為DNN網絡的輸入，標準劑量樣本向量作為結果，訓練DNN網絡直至收斂，得到低劑量樣本向量到標準劑量樣本向量的映射模型。

進一步地是，構建DNN網絡步驟中，DNN網絡包括輸入層、隱藏層和輸出層，所述隱藏層采用3層網絡，每層神經元個數為2048。