[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

说明书

本申请公开了一种基于联合字典学习和深度网络的PET图像重建方法，涉及医学影像处理领域。包括以下步骤：获取训练样本，根据训练样本利用字典学习获取联合字典，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；构建DNN网络；根据低剂量样本向量和标准剂量样本向量训练DNN网络直至收敛，得到映射模型，其中，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；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。本申请用于减少低剂量PET图像噪声并增强图像细节。

技术领域

本申请涉及医学影像处理领域，尤其涉及基于联合字典学习和深度网络的PET图像重建方法。

背景技术

磁共振成像(magnetic resonance imaging，MRI)与正电子发射计算机断层成像(positron emission tomography，PET)相结合的PET-MR系统。具有PET和MR的检查功能，具有灵敏度搞、准确性好、辐射量少等优势。但是，标准剂量的PET示踪剂的放射性具有很大的健康隐患，在累计效应下会增加各种疾病发生的可能性。

降低PET示踪剂剂量是一种可行的方案，该方案存在的最大问题是低剂量PET图像的噪声较大、细节丢失，不利于疾病的诊断。目前从低剂量PET图像到标准剂量PET图像的预测主要有两种，通过稀疏表达的传统算法和通过神经网络的深度学习，通过稀疏表达的传统算法以字典学习为主，通过深度学习的以CNN网络和GAN对抗网络为主。但现有的方法存在图像产生噪声和细节丢失的问题以及由于PET图像分辨率较高，导致预测过程计算量大，迭代速度慢的问题。

发明内容

本申请提供一种基于联合字典学习和深度网络的PET图像重建方法，利用训练样本以及构建的联合字典，分别获取低剂量、MR和标准剂量对应的稀疏系数，并将稀疏系数作为样本向量引入到DNN网络，将低剂量样本向量映射到标准剂量样本向量，避免了在PET成像时降低PET显影剂剂量而导致图像产生噪声和细节丢失的弊端，同时实现了低剂量PET图像到标准剂量PET图像的预测。

为达到上述目的，基于联合字典学习和深度网络的PET图像重建方法，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。

进一步地是，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。

进一步地是，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。