[发明专利]基于非局部深度学习神经网络的PET图像重建算法

权利要求书

1.一种基于非局部深度学习神经网络的PET图像重建算法，包括如下步骤：

(1)向体模注入PET放射性示踪剂，将体模分别置于PET系统径向距离视野中心不同位置处进行扫描，探测符合光子并进行计数，得到处于不同径向位置处对应的投影数据；

(2)根据PET测量方程将不同径向位置所对应投影数据的重建问题拆分成两个子问题：子问题1为i＝0位置处对应的投影数据重建，子问题2为i＞0位置处对应的投影数据重建，i表示PET系统与视野中心的径向距离；

(3)对于子问题1采用LM-DRAMA算法进行重建；对于子问题2则采用深度学习的方法进行重建，在ISTA-Net的学习模块中加入非局部特征提取模块和BN层，即搭建NISTA-Net模型；

(4)在训练阶段，利用i＞0不同径向位置扫描得到的投影数据作为NISTA-Net模型的输入，利用子问题1重建得到的PET图像作为模型输出对应的真值标签，不断调整模型参数，使其输出与标签之间的误差最小；

(5)在估计阶段，把待重建的投影数据输入至训练好的NISTA-Net模型中，即可直接获得具有均匀高分辨率的PET重建图像。

2.根据权利要求1所述的PET图像重建算法，其特征在于：所述步骤(1)中的扫描方式可以是静态扫描，也可以是动态扫描。

3.根据权利要求1所述的PET图像重建算法，其特征在于：所述LM-DRAMA算法包括list-mode数据采集以及动态行操作最大似然计算两个步骤。

4.根据权利要求1所述的PET图像重建算法，其特征在于：所述NISTA-Net模型由多个phase依次连接组成，每个phase均由一个算子经过软阈值算法后与一个算子连接组成，所述算子从输入至输出依次由卷积层A1、BN层B1、卷积层A2、Non-local模块、Relu函数、卷积层A3、BN层B2依次连接组成；所述算子与算子的结构呈镜像对称，其从输入至输出依次由BN层B2、卷积层A3、Relu函数、Non-local模块、卷积层A2、BN层B1、卷积层A1连接组成，算子的输入与算子的输出线性叠加后以残差的形式作为phase的输出结果。

5.根据权利要求4所述的PET图像重建算法，其特征在于：所述卷积层A1～A3均设置有32个卷积核来抽取图像的邻域特征，卷积核的大小为3×3，步长为1。

6.根据权利要求4所述的PET图像重建算法，其特征在于：所述Non-local模块包含有四个卷积层D1～D4，模块的输入分别经过卷积层D1～D3，其中卷积层D1的输出与卷积层D2的输出相乘后经过softmax函数，所产生的结果与卷积层D3的输出相乘后与模块的输入拼接，拼接后的结果经过卷积层D4以及ReLU函数后作为模块的输出；卷积层D1和D2中的卷积核数量为16，卷积核大小为1×1，卷积层D3和D4中的卷积核数量为32，卷积核大小为1×1。

7.根据权利要求1所述的PET图像重建算法，其特征在于：在对NISTA-Net模型进行训练之前，需要将输入的投影数据及其对应的真值标签进行归一化处理，具体计算公式如下：

其中：X为归一化处理前投影数据或其对应真值标签中的任一数据值，X_norm对应为X归一化处理后的数据值，X_max为归一化处理前投影数据或其对应真值标签中的最大数据值，X_min为归一化处理前投影数据或其对应真值标签中的最小数据值。

8.根据权利要求1所述的PET图像重建算法，其特征在于：所述步骤(4)中对NISTA-Net模型进行训练的具体过程为：首先初始化模型参数，将所有i＞0不同径向位置扫描得到的投影数据作为样本分为训练集和测试集，将训练集样本逐一输入NISTA-Net模型中，通过正向传播计算得到对应的输出结果；然后计算每一输出结果与对应真值标签之间的损失函数L，根据损失函数L的偏导数通过Adam算法对模型中的参数不断进行迭代优化直至损失函数L最小收敛，即训练完成。