[发明专利]基于联合字典学习和深度网络的PET图像重建方法

权利要求书

1.基于联合字典学习和深度网络的PET图像重建方法，其特征在于，包括以下步骤：

获取训练样本，其中所述训练样本包括低剂量补丁以及与其相对应的MR补丁和标准剂量补丁；

根据训练样本利用字典学习获取联合字典，其中，所述联合字典包括低剂量字典、MR字典和标准剂量字典；

获取低剂量样本向量、MR样本向量和标准剂量样本向量，其中，所述低剂量样本向量、MR样本向量和标准剂量样本向量分别为低剂量补丁、MR补丁和标准剂量补丁在与其对应的低剂量字典、MR字典和标准剂量字典下的稀疏系数；

构建DNN网络；

根据低剂量样本向量、MR样本向量和标准剂量样本向量训练所述DNN网络直至收敛，得到低剂量样本向量到标准剂量样本向量的映射模型；

将低剂量PET图像以及其对应的MR图像进行预处理，并利用获取的联合字典以及训练后的DNN网络预测得到标准剂量PET图像，具体步骤包括：

将低剂量PET图像和MR图像以一定的步长分块，并将块延展成一维块向量；

将所述块向量结合低剂量字典和MR字典得到与其对应的稀疏系数；并将其作为低剂量样本向量输入训练好的DNN网络模型得到预测的标准剂量样本向量；

将得到标准剂量样本向量结合标准剂量字典得到标准剂量图像块，按照设定的步长组合标准剂量图像块即为预测的标准剂量PET图像。

2.根据权利要求1所述的基于联合字典学习和深度网络的PET图像重建方法，其特征在于，根据低剂量样本向量、MR样本向量和标准剂量样本向量训练所述DNN网络直至收敛，得到低剂量样本向量到标准剂量样本向量的映射模型的步骤具体包括：

将低剂量样本向量和MR样本向量作为DNN网络的输入，标准剂量样本向量作为结果，训练DNN网络直至收敛，得到低剂量样本向量到标准剂量样本向量的映射模型。

3.根据权利要求2所述的基于联合字典学习和深度网络的PET图像重建方法，其特征在于，构建DNN网络步骤中，DNN网络包括输入层、隐藏层和输出层，所述隐藏层采用3层网络，每层神经元个数为2048。

4.根据权利要求2所述的基于联合字典学习和深度网络的PET图像重建方法，其特征在于，字典学习采用获取稀疏系数和联合字典更新交替进行的方式，具体步骤包括：

构建初始化联合字典；

根据初始化联合字典获取稀疏系数；

将所述初始化联合字典拆分为低剂量字典、MR字典和标准剂量字典，并利用获取的稀疏系数分别更新低剂量字典、MR字典和标准剂量字典；并将更新后的低剂量字典、MR字典和标准剂量字典合并成联合字典；对稀疏系数和联合字典进行迭代更新，直至收敛。

5.根据权利要求4所述的基于联合字典学习和深度网络的PET图像重建方法，其特征在于，在获取联合字典时，第一稀疏系数的获取采用OMP方法，字典更新采用KSVD方法。

6.根据权利要求5所述的基于联合字典学习和深度网络的PET图像重建方法，其特征在于，在构建DNN网络步骤之前还包括：对低剂量样本向量、MR样本向量和标准剂量样本向量进行预处理；

预处理步骤包括：将不为零的低剂量补丁、MR样本向量和标准剂量补丁所对应的稀疏索引分别作为低剂量样本向量、MR样本向量和标准剂量样本向量；其中，稀疏索引为向量联合对应的稀疏系数组成向量。

7.根据权利要求1所述的基于联合字典学习和深度网络的PET图像重建方法，其特征在于，获取训练样本，其中，所述训练样本包括低剂量补丁以及与其相对应的MR补丁和标准剂量补丁的步骤具体包括：

获取低剂量PET图像以及与其相对应的MR图像和标准剂量PET图像；

从所述低剂量PET图像中随机选取小块并延展成一维向量作为低剂量补丁，并同时从MR图像、标准剂量图像中的相对应位置上分别选取小块并延展成一维向量作为MR补丁和标准剂量补丁。