[发明专利]基于cGAN的自适应网络用于低剂量PET图像的增强方法

权利要求书

1.一种基于cGAN的自适应网络用于低剂量PET图像的增强方法，其特征在于，包括以下步骤：

a、对注射有符合标准剂量的示踪剂的患者进行全身扫描，以此获得患者在标准剂量下的全身的PET图像；

b、对标准剂量下的PET图像的原始数据进行随机部分采样，以模拟真实情况下对患者注射低于标准剂量的示踪剂的情况；

c、采用与标准剂量下的PET图像重建时相同的重建参数，对上述随机部分采样获得的采样数据进行重建，重建包括含有衰减校正、散射校正和随机校正在内的物理校正，以此获得若干重建后不同剂量下的PET图像；

d、将通过重建后不同剂量下的PET图像与标准剂量下的PET图像分别输入到网络模型中，通过网络训练，使网络模型能够自动匹配不同低剂量下的PET图像，并获得接近于标准剂量下的PET图像；

e、对注射有低于标准剂量示踪剂的患者进行全身扫描，以此获得患者在低剂量下的全身的PET图像；再将低剂量下的PET图像输入到网络模型中进行增强，即可输出清晰的PET图像，

所述网络模型包括：

生成器G，采用Unet网络分别构成解码器和编码器，用于将低剂量下的PET图像X转化为清晰的PET图像G(X)；

判别器D，采用PatchGAN中所采用的鉴别器，用于判断在整幅PET图像中N×N大小的patch的真伪；以及自适应模块，用于为生成器G赋予不同的权重，以对不同剂量下的PET图像均能够进行增强，

解码器中的卷积块进行反卷积操作，输出低剂量下的PET图像的噪声分布，将原有的低剂量下的PET图像减去所获得的对应低剂量下的PET图像的噪声分布，即获取高质量的PET图像；将获取的高质量的PET图像与所对应的低剂量下的PET图像送入卷积核为4、步长为2、padding为1的三层卷积层中，逐步增大其感知视野，然后再使其通过卷积核为4、步长为1的一层卷积层，以映射为一维输出；在此过程中均采用LReLU做激活函数，

所述自适应模块的网络结构为：

第一层：采用自适应平均池化层，输出尺寸为16×16，通道数为1；

第二层：采用全连接层，输出为一维数组，大小为512，并且使用ReLU作为激活函数；

第三层：采用全连接层，输出为一维数组，大小为5；

第四层：采用sigmoid激活函数层，输出为赋予生成器UNET的编码器的不同尺度卷积层的权重值，

所述网络训练包括以下步骤：

d-1、训练生成器G，训练次数以生成器G的参数达到不变时为止；

d-2、训练判别器D，训练次数以判别器D的参数达到不变时为止；

d-3、继续训练生成器G，直到其损失函数G*达到最小化，即完成对网络模型的训练。

2.根据权利要求1所述的基于cGAN的自适应网络用于低剂量PET图像的增强方法，其特征在于，所述编码器包括有5个卷积块和4个池化层，其中，卷积块与池化层交叠分布。

3.根据权利要求2所述的基于cGAN的自适应网络用于低剂量PET图像的增强方法，其特征在于，编码器中的卷积块由两层相同的卷积层组成，卷积层的卷积核为3×3，步长为1，padding为1，以ReLU卷积核为3×3，步长为1，padding为1，以ReLU做激活函数。

4.根据权利要求1所述的基于cGAN的自适应网络用于低剂量PET图像增强的方法，其特征在于，所述自适应模块用于为生成器G中的编码器的卷积层赋予不同的权重，以对不同剂量下的PET图像均能够进行增强。