[发明专利]一种增强PET图像细节的动态重建方法

说明书

本发明公开了一种增强PET图像细节的动态重建方法，该方法改进了现有的FBP‑Net，不仅给FBP‑Net的去噪神经网络部分加入了SE注意力模块，并且改进了训练阶段的损失函数，将会模糊细节的L2损失函数换成了L1损失函数和VGG损失函数，使网络结构能够更多关注重建图细节的重建。本发明解决了FBP‑Net重建图模糊和细节不够丰富的问题，不仅继承了FBP‑Net泛化性强的优点，而且提升了PET重建图的质量。

技术领域

本发明属于生物医学图像分析技术领域，具体涉及一种增强PET图像细节的动态重建方法。

背景技术

正电子发射断层扫描(Positron Emission Tomography，PET)重建图像能够提供代谢信息，帮助医生早日发现病变组织。长期以来，PET重建的速度和质量难以兼顾，基于逆Radon变换的解析重建方法的速度很快，但是重建图中包含大量条状伪影，严重影响图像质量，在临床诊断中很少使用。基于迭代框架的重建算法能够获得高质量的重建图，但是速度慢；完全基于深度学习的方法，虽然能够保证速度和质量，但是泛化性差，无法适应实际生活中形状多变的场景，可能导致误诊风险。

为了保证泛化性，一些学者提出了传统方法结合深度神经网络的策略，这些方法可以分为两类，分别是迭代重建算法结合深度学习和解析算法结合深度学习。前者利用深度神经网络自适应地学习传统重建框架中的先验条件，将迭代算法展开为若干阶段，每一阶段模拟传统算法的一次迭代，经过若干个阶段之后，重建图像质量获得提升，例如文献[Gong K,Guan J,Kim K,et al.Iterative PET Image Reconstruction UsingConvolutional Neural Network Representation[J].IEEE Transactions on MedicalImaging,2019,38(3):675-685]以及MAPEM-Net[an unrolled neural network for Fully3D PET image reconstruction]；由于结合了传统迭代算法，此类方法的参数量很小，不需要大量样本来训练网络结构，且泛化性强，但是此类方法并没有摆脱迭代算法的框架，速度依然很慢，近似于迭代算法。解析算法结合深度学习能够继承解析算法速度快的优势，而深度神经网络能够帮助提升解析算法的重建质量，从而优势互补，既能保证泛化性，又能保证速度。

FBP-Net[Wang B,Liu H.FBP-Net for direct reconstruction of dynamic PETimages[J].Physics in Medicine and Biology,2020]是一种具有代表性的解析算法结合深度学习方法，即FBP重建算法结合去噪神经网络，该方法在形状多变的数据集上表现出了优越泛化性，远胜于基于卷积网络的U-net和DeepPET，但是该方法获得的重建图细节不够丰富，图像内容有些模糊。如何改进FBP-Net使得其重建图像细节更丰富，是一个值得研究的课题。

发明内容

鉴于上述，本发明提供了一种增强PET图像细节的动态重建方法，通过给FBP-Net的去噪部分加入注意力SE模块，并改进训练阶段的损失函数，使得训练好的网络能够获得细节更加丰富的PET重建图。

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：