[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

说明书

本发明涉及一种基于cGAN的自适应网络用于低剂量PET图像的增强方法，包括以下步骤：对注射符合标准剂量的18F‑FDG示踪剂的患者进行全身扫描，以此获得病人在标准剂量下的全身PET图像；对PET原始数据进行随机部分采样来降低剂量以模拟真实情况下的低剂量示踪剂注射的情况，然后采用与全剂量PET图像重建时相同的重建参数对数据进行重建，包括所有的物理校正；将通过重建后不同剂量的PET图像以及全剂量的标准图像输入到网络中进行训练，使网络能够自动匹配不同低剂量的PET图像并获得接近于标准剂量的图像；对注射有低于标准剂量的示踪剂的患者进行全身扫描，获得低剂量下的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，即可获得清晰的全身PET图像。

技术领域

本发明涉及一种图像处理和深度学习的方法，具体地说是一种基于cGAN的自适应网络用于低剂量PET图像的增强方法。

背景技术

随着科技的不断发展，人工智能技术越来越多的被应用于医疗诊断，以希望通过人工智能技术帮助医生更好的诊断。正电子发射断层扫描作为一种核医学成像技术，可实现人体代谢过程的可视化。目前该技术已经在临床获得应用，如诊断、分期和治疗监测等。为了获得高质量的用于诊断的PET图像，根据患者的体重，通常给患者注射5~10mCi剂量的18F-FDG示踪剂。然而，PET扫描一般需要较长时间的放射性环境暴露，对患者存在有辐射损伤。临床中对某些病患（例如孕妇或儿童等特殊人群）的辐射剂量需要格外的注意。因此，在临床实践中，人们希望将示踪剂的注射剂量尽可能合理的降低。而降低示踪剂的注射剂量不仅意味着风险的降低，同时还可以降低成像成本，缩短成像时间。但是，示踪剂注射剂量的降低，会导致成像过程中的噪声和伪影的增加，从而降低了PET图像的质量，影响医生对患者的诊断。因此，如果能够从低剂量下的PET图像得到高质量的标准剂量下的PET图像，在临床实践中是非常寄希的。

现有的低剂量PET图像去噪方法虽然表现出较好的去噪性能，但仍存在一定的局限性。对于涉及多模态信息融合的方法，PET图像与MR或者CT不匹配，可能会导致伪影和噪声的增加。并且每种网络都是只针对了单一种类低剂量的PET图像，无法实现在不同剂量上的低剂量PET图像生成，这也大大限制了其应用的广泛程度。

发明内容

本发明的目的就是提供一种基于GAN的自适应网络用于低剂量PET图像的增强方法，以解决现有网络只能针对单一种类低剂量的PET图像而无法实现在不同剂量上均可生成低剂量PET图像的问题。

本发明的目的是这样实现的：一种基于GAN的自适应网络用于低剂量PET图像的增强方法，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、对标准剂量下的全身的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所有物理校正，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出不同低剂量下的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：