[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

说明书

本发明公开了一种基于非局部深度学习神经网络的PET图像重建算法，该算法充分利用PET系统FOV空间内径向分辨率不均匀自身存在的这个特性来解决相互深度效应，在原始ISTA‑Net网络的基础上，更新了约束算子，增加了非局域特征提取模块与批量归一化处理。与传统DOI编码器相比，本发明方法克服了设计复杂的PET系统和繁琐的计算带来的难题，并进一步将优化方法提供的物理解释和收敛理论与深度学习从大数据中自动提取特征的优点相结合。本发明用软件的手段来代替现阶段复杂的硬件方法，为提升PET的重建图像分辨率均一性提供新的解决思路。

技术领域

本发明属于生物医学图像分析技术领域，具体涉及一种基于非局部深度学习神经网络的PET图像重建算法。

背景技术

正电子发射断层成像(PET)是一种无创的功能成像技术，是核医学和分子成像的重要成像方法之一。在疾病的早期，生化变化往往先于解剖结构变化，由于PET能利用¹⁵O、¹⁸F等放射性核素标记的葡萄糖、蛋白质等物质作为示踪剂参与生物正常的生理代谢，从而能够在分子水平上动态、定量地反映生物体内的病理生理变化和代谢过程，因此其在心脏疾病、脑疾病和恶性肿瘤的诊断发挥着不可替代的作用。当这些放射性核素在体内发生衰变时，其产生的正电子会与周围组织发生碰撞，丧失动能的正电子与组织中的负电子结合发生湮灭反应，进而辐射出一对方向相反，能量相同且为511keV的γ光子。根据符合一致原理，体外的PET探测器能探测到体内正电子的湮灭地点，获得原始的投影数据即sinogram，经过计算机利用图像重建算法对sinogram进行处理，便可以重建出放射性核素在生物体内的浓度分布图，从而给临床诊断提供依据。

然而，相互作用深度(DOI)效应的存在对于PET图像分辨率的均匀性一直是一个巨大的挑战；由于湮没光子与探测器晶体发生相互作用时的深度是任意的，甚至会发生穿透，尤其当γ射线来源于FOV边缘时，PET的检测能力将大幅减弱，这个现象称为DOI效应，也被称为平行误差(parallax error)，这将导致重建图像在不同径向位置的分辨率是不均匀的，特别是当物体靠近视场边缘时，分辨率会显著降低而呈现的严重“拖尾”效应。

目前，硬件方法被认为是解决DOI问题的主要手段，其主要基于不同的原理设计新型的探测器，从而获得晶体中精确的DOI信息，例如有的通过改变系统直径和单个探测器尺寸来影响DOI问题的程度，有的使用phosphor sandwich或者由多层闪烁晶体阵列错峰组成的离散型多层探测器，还有的将两个光电转换装置耦合到晶体阵列两端，通过比较两端读取的信号输出来判断Gamma光子作用到晶体的位置，获得连续型DOI信息。显然，上述方法需要更为复杂的探测器结构和信号处理过程，而利用软件手段来代替硬件DOI探测器，能达到一定程度精度DOI探测器的效果，从而来解决PET系统空间分辨率不均匀的问题，降低对硬件设备的要求，是一个值得研究的方向。

随着机器学习的出现和普及，科研人员开始研究机器学习来提升PET空间分辨率的均匀性，如在《Convolutional Neural Network for Crystal Identification andGamma Ray Localization in PET》一文中，提出了在DOI编码器的硬件基础上引入深度学习的方法，从而来更加精确的定位Gamma光子和晶体相互作用的深度，该技术一定程度上降低了对PET的结构参数的要求，但依旧需要复杂的PET结构。

发明内容

鉴于上述，本发明提供了一种基于非局部深度学习神经网络的PET图像重建算法，即在ISTA-Net(迭代阈值收缩算法网络)的学习模块中加入非局部特征提取模块，将卷积层提取的局部特征与非局部模块提取的非局部特征进行结合，来弥补很难被关注局部的卷积核收集到的重要的全局信息，提升后续PET重建图像的质量。

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：