[发明专利]一种基于深度学习的低剂量PET三维重建方法

说明书

本发明公开了一种基于深度学习的低剂量PET三维重建方法，该方法包括将低剂量PET原始数据无损反投影至图像域，选取适当的三维深度神经网络结构以拟合低剂量PET反投影到标准剂量PET图像之间的映射，通过训练样本学习并固定网络参数后，实现从低剂量PET原始数据出发的PET图像三维重建，以获取比传统重建算法与图像域降噪处理噪声更低，分辨率更高的低剂量PET重建图像。

技术领域

本发明涉及医学影像领域，具体地涉及一种基于深度学习的低剂量PET三维重建方法。

背景技术

正电子发射断层扫描(Positron Emission Tomography，PET)是一种能提供活体生化和定量生理信息的医学影像，在肿瘤学、心脏学、神经学，以及精神疾病等方面具有重要应用，PET/CT也已经成为国际公认的肿瘤检测的金标准。PET的成像过程包括扫描前对病人注入放射性示踪剂，示踪剂在参与生理代谢时发生衰变产生正电子，正电子和邻近的电子发生湮灭效应，产生逆向运动的511keV光子对。光子对打到PET扫描仪接收器上形成一定数量的符合响应线(Line of Response，LOR)，并将其保存成三维PET原始数据sinogram。对sinogram进行衰减、随机和散射校正后再用统计学方法对其进行三维迭代重建，即可获得表征人体内各组织代谢强度的三维PET图像。

通过减少注入病人体内的放射性示踪剂剂量，可以降低对病人及医护人员的辐射，缩短扫描时间，降低造影成本，因此低剂量PET重建已经成为核医学领域最热门的课题之一，尤其在婴幼儿癫痫以及青少年抑郁等应用领域获得广泛关注。然而注射示踪剂的减少导致了PET扫描仪接收到的真符合事件(true coincidence)受随机(randomcoincidence)、散射符合事件(scattered coincidence)干扰的增加，使得PET原始数据信噪比的降低，从而进一步导致由传统重建方法获取的PET图像被大量噪声污染，严重影响了临床医生的读片与诊断。

近年来，随着计算机技术的迅速发展，深度学习方法在自然图像处理、语音识别等问题上取得了重大突破，同时在医学影像上的应用也越来越广泛。为了抑制传统重建算法获取的低剂量PET重建图像中的噪声并保留有用病灶信息，基于深度学习方法的降噪处理已经被引入以改善低剂量PET成像。目前，此类方法主要集中在图像后处理范畴，即在图像域建立高噪声低剂量PET重建图像到标准剂量PET图像的映射。由于传统的低剂量PET重建过程并不能完全保留原始数据中的有效高频信息，用于拟合映射的神经网络的泛化能力不足导致图像伪影和定量误差成为了此类技术路线的性能瓶颈。

发明内容

本发明的目的在于突破现有基于图像后处理技术的低剂量PET重建方法的性能瓶颈，提供一种从PET原始数据出发的，基于深度学习的PET图像三维重建方法。该方法将低剂量PET原始数据无损反投影到图像域获取高度模糊的laminogram，使用三维U-Net拟合图像域去卷积操作，从laminogram中恢复出PET图像的粗估计，并通过串联三维残差单元(Residual block)进一步细化PET重建图像，利用训练样本先验知识学习并固定网络参数，最后将其应用于低剂量PET图像三维重建，以获取与传统重建结果以及对传统重建结果进行降噪后处理所得的PET图像相比，噪声更低，分辨率更高的低剂量PET重建图像。

本发明的目的是通过以下技术方案实现的：一种基于深度学习的低剂量PET三维重建方法，包括以下步骤：

(1)执行低剂量PET原始数据反投影方法，具体包括以下子步骤：

(1.1)将低剂量PET原始数据经过衰减校正处理，再经PET扫描仪的系统矩阵转置作用，获取衰减校正后低剂量PET数据反投影l_{pp_ac}。

(1.2)将低剂量PET原始数据中的随机与散射事件数据经过PET扫描仪的系统矩阵转置的作用，获取随机与散射数据的反投影l_rs。