[发明专利]一种基于去噪打分匹配网络的PET重建方法

说明书

本发明公开了一种基于去噪打分匹配网络的PET重建方法。该方法包括：构建噪声条件评分网络并进行无监督训练，该网络利用去噪得分匹配估算数据分布的梯度，学习高剂量PET图像的先验信息；基于经训练的生成模型，利用郎之万模拟退火算法从低剂量PET图像数据生成重建的PET图像。本发明使用去噪得分匹配网络作为先验来解决图像重建问题，在保持了更多纹理细节的情况下，提高了重建图像的质量。

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种基于去噪打分匹配网络的PET重建方法。

背景技术

图像复原是对图像上信息缺损区域进行信息填充的过程，其目的就是为了对有信息缺损的图像进行复原，是图像到图像的过程处理。图像重建是指从物体原始的扫描或投影数据经过计算机特定的算法处理，最后获得物体的内部断层成像。目前图像重建技术已成为临床诊断的重要辅助手段，其包括计算机断层扫描(Computed Tomography，CT)成像、磁共振成像(Magnetic Resonance Imaging，MRI)、正电子发射断层扫描(PositronEmission Tomography，PET)成像、超声(Ultrasound，US)成像、X射线(X-ray)成像等。

由于PET成像在肿瘤学，神经系统疾病和精神病患者和心血管疾病的研究中做出了巨大贡献，PET一度成为了核医学领域中的一种先进的临床成像技术。正电子脑部肿瘤显像的起源，可追溯到20世纪50年代。20世纪50～60年代为正电子成像的初级阶段，与普通的γ照相机发展同步，Anger在1960年代的末期开发了正电子γ照相机；1973年，符合电路的双头SPECT研制成功；环式探测PET是1980年发展的，这也是目前市场的主流产品。PET-CT结合，是图像融合最引人瞩目的产品，也是医学图像重建技术融合的一个重要时期，PET-CT融合后的成像图像如图1所示。

从我国现有的医院成像配置来看，PET的配置率还相对较低，这是因为价格昂贵、学科人才不足、显像剂的种类稀少等，要具备医学、工程、物理、化学等医生及专家，研制PET也需要雄厚的资金和资本。同时由于检测器模糊效应，正电子范围和光子非共线性，导致PET的空间分辨率较低。同时由于PET数据中有限的光子数，通过算法设计减少噪声是避免硬件成本过高的必要手段。

由于PET的逆问题是病理性的，因此获得高质量的PET重建图像具有挑战性。在过去的几十年间，例如利用飞行时间(TOF)信息和实现交互作用深度功能等方法的出现使得PET系统仪器取得了很大进步。

PET重建方法最常见的是分析滤波反投影(FBP)和迭代最大似然(ML)方法。后者包括最大似然期望最大化(MLEM)或其增量更新版本，有序子集期望最大化(OSEM)。然而，通常，由这些标准方法得到的图像遭受数据/模型不匹配，数据不一致和数据过度拟合的困扰，这表现为重构图像中的伪影，如条纹和噪声。在ML方法的情况下，可以使用正则化来克服不适，并减少最终图像中的拟合噪声。由于根据测量数据重建图像的反问题是不适当的，因此，一旦迭代达到某个点，寻求最大似然(ML)解决方案的迭代期望就会最大化(EM)算法，从而导致噪声增加。在正电子断层扫描系统中，正电子断层扫描主要用于图像配准衰减校正，但并没有真正利用正电子断层扫描重建中的解剖信息。为了解决上述问题，Bowsher等人将离散学习方法用于正电子发射断层图像重建，解决了传统算法重建图像会产生严重伪影的问题。字典是具体的，训练图像集中于学习，因此字典学习方法被认为优于一般的稀疏变换。很多研究者基于迭代重建算法开发出了很多方法。例如，基于正则化的方法等。虽然上述的大多数方法都取得了积极的效果，但是它们都需要来自同一患者的先验信息，由于仪器的限制或扫描时间长，这些信息并不总是可用的，从而妨碍了这些方法的实际应用。