[发明专利]基于深度学习的低剂量PET数据三维迭代更新重建方法

说明书

本发明公开了基于深度学习的低剂量PET数据三维迭代更新重建方法，该方法是从低剂量PET原始数据出发的，基于深度学习的联合迭代更新重建方法，该方法利用三维深度神经网络拟合原始数据反投影laminogram与PET重建图像之间的正、逆映射，从训练样本中学习标准剂量先验知识并将其应用于迭代更新标准剂量laminogram和PET三维重建图像，以获取比传统重建方法以及图像域降噪处理噪声更低，分辨率更高,无伪影的PET重建图像。

技术领域

本发明属于医学影像技术领域，具体地涉及一种基于深度学习的低剂量PET数据三维迭代更新重建方法。

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信息的医学影像，由于可以在分子水平成像，并且能同时体现人体生物学功能代谢信息和形态解剖结构信息，使其在肿瘤学、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，示踪剂在人体内参与生理代谢时发生衰变产生正电子，正电子和邻近组织中的电子发生湮灭效应，产生逆向运动的511keV 光子对。用两个位置相对的探测器对光子对进行符合探测可记录一条符合响应线。采集一定数量的符合响应线保存成三维PET原始数据sinogram，对sinogram进行校正后再用基于sinogram统计信息的迭代重建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。

随着大型医疗设备PET/CT的应用推广，越来越多的人开始接触和接受用PET/CT进行肿瘤筛查，甚至健康体检。然而，由于大众接受到更多的辐射安全知识，PET/CT检查的辐射量问题开始获得广泛关注，尤其在PET脑检查对于低龄儿童的辐射危害问题上，来自患者家属、医疗机构以及国际社会的担忧使得PET脑检查在儿童肿瘤和精神疾病的诊断与治疗中一直没有很大进展。我国《辐射防护规定》（GB8703-88）明确指出一名在医院放射科工作的医务人员每年辐射的接受剂量不能超过20毫西弗（mSv），而研究结果表明患者进行一次PET/CT扫描接收到的辐射剂量大约是10mSv，可见PEC/CT扫描中降低受检者辐射剂量，其实是减少注入患者体内的放射性核素剂量，用低于标准剂量的放射性示踪剂获取相同质量的PET图像是提升PET/CT检查安全性亟需解决的问题。然而，随着低剂量PET扫描中给病人注射的示踪剂剂量的降低，扫描仪接收到的符合响应线数量严重不足，从而使传统基于统计学的迭代重建算法获取的PET图像中存在大量噪声，严重影响了临床医生的读片与诊断。

为了抑制低剂量PET重建图像中的噪声并保留病灶信息，基于神经网络的深度学习方法已经被引入。目前，此类方法主要集中在图像后处理范畴，即在图像域建立低剂量PET图像到标准剂量的PET图像映射。由于低剂量图像的重建过程受噪声影响严重，原始PET数据中的有效高频信息并不能被完整保存，只对重建图像进行后处理无法利用这些有效信息，从而导致由深度学习泛化能力不足所产生的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

本发明的目的在于针对现有技术的不足，提供一种基于深度学习的低剂量PET数据三维迭代更新重建方法。该方法通过获取PET原始数据在图像域的无损三维反投影laminogram，利用三维深度神经网络拟合laminogram与PET重建图像之间的正、逆映射，从训练样本中学习标准剂量先验知识并将其应用于迭代更新标准剂量laminogram和标准剂量PET三维重建图像，以获取比传统重建方法以及图像域降噪处理噪声更低，分辨率更高，无伪影的低剂量PET重建图像。

本发明的技术方案是通过如下技术方案实现的：一种基于深度学习的低剂量PET数据三维迭代更新重建方法，具体包括以下步骤：

（1）将低剂量sinogram和标准剂量sinogram，分别经过衰减、随机、散射校正、反投影及归一化，获取低剂量PET数据在图像域的3D表征和标准剂量PET数据在图像域的3D表征；