[发明专利]一种增强PET图像细节的动态重建方法

权利要求书

1.一种增强PET图像细节的动态重建方法，包括如下步骤：

(1)利用PET设备对注入有放射性示踪剂的生物组织进行动态扫描，得到动态的sinogram投影数据，进而通过迭代重建算法对其进行重建得到高质量的PET重建图；

(2)根据步骤(1)的方式获得大量样本，每一组样本包括动态的sinogram投影数据及其对应的高质量PET重建图，进而将所有样本分成训练集和测试集；

(3)将PET重建问题拆分为两个阶段即重建阶段和图像增强阶段，构建注意力增强的解析重建网络模型AttenRecon-Net，其包括：

滤波反投影层，用于自适应地学习PET重建函数，将sinogram投影数据重建为低质量的PET重建图；

注意力增强层，用于自适应地学习残差函数，计算低质量PET重建图与高质量PET重建图之间的残差；

(4)利用训练集样本中的sinogram投影数据作为网络模型的输入，将通过迭代重建算法获得的高质量PET重建图作为标签，对网络模型进行训练；

(5)将测试集样本中的sinogram投影数据输入至训练好的网络模型中，即可直接输出得到高质量的PET重建图。

2.根据权利要求1所述的动态重建方法，其特征在于：所述重建阶段将sinogram投影数据重建为低质量的PET重建图，由探测数据域转化为图像域；由于噪声和重建伪影的因素存在，低质量的PET重建图与高质量的PET重建图之间存在残差，在图像增强阶段则将低质量的PET重建图减去这部分残差，去除不合理的负值并进行归一化，从而获得高质量的PET重建图。

3.根据权利要求1所述的动态重建方法，其特征在于：所述重建阶段和图像增强阶段的具体表达式如下：

Y＝[y₁,…,y_t,…,y_T]

其中：Y表示动态的sinogram投影数据，y_t对应为第t个时间帧的sinogram投影数据，t为自然数且1≤t≤T，T表示动态sinogram投影数据的总帧数，F₁()表示PET重建函数，表示低质量的PET重建图，表示高质量的PET重建图，F₂()表示残差函数，Normalization()表示归一化函数。

4.根据权利要求1所述的动态重建方法，其特征在于：所述滤波反投影层包含频域滤波和反投影两个部分，频域滤波部分的滤波器是可学习的，且sinogram不同角度的投影数据对应的一维频域滤波器是独立的，反投影部分的做法与传统滤波反投影算法一样。

5.根据权利要求1所述的动态重建方法，其特征在于：所述注意力增强层由8个block级联组成，除第一个block和最后一个block之外，中间的6个block的结构相同，由2D卷积层、批归一化层、激活函数LeakyReLU层、SE注意力层依次连接组成；第一个block由2D卷积层、批归一化层、激活函数LeakyReLU层依次连接组成，最后一个block由2D卷积层和激活函数LeakyReLU层连接组成。

6.根据权利要求5所述的动态重建方法，其特征在于：所述SE注意力层采用基于通道的注意力机制，重点关注特征图中有意义的通道信息，增强图像的细节。

7.根据权利要求1所述的动态重建方法，其特征在于：所述步骤(4)中对网络模型进行训练的具体过程如下：

4.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率以及优化器；

4.2将训练集样本中的sinogram投影数据输入至模型，模型正向传播输出得到对应的PET重建图，计算该PET重建图与标签之间的损失函数L；

4.3根据损失函数L利用优化器通过梯度下降法对模型参数不断迭代更新，直至损失函数L收敛，训练完成。