[发明专利]一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法

说明书

本发明公开了一种基于栈式自编码器的双示踪剂动态PET浓度分布图像重建的方法。该方法首次将深度学习的思想引入双示踪剂动态PET浓度分布图像重建中，其过程主要可以分为两个阶段：训练和重建。在训练阶段，将双示踪剂的浓度分布图作为输入，两种示踪剂的浓度分布图作为标签对自编码器进行训练，进而构建栈式自编码器。在重建阶段，将双示踪剂的浓度分布图输入到训练好的栈式自编码器中即可重建出两种示踪剂的浓度分布图。本发明从数据驱动的角度实现了双示踪剂动态PET浓度分布图像的重建，有效地解决了重建效果差和不能同时注射示踪剂等问题。

技术领域

本发明属于PET成像技术领域，具体涉及一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法。

背景技术

正电子发射断层成像(Positron emission tomography，PET)是核医学成像的重要方法之一，被广泛应用于肿瘤学，神经病学等其他领域，在医学研究和临床诊断中起着非常重要的作用。PET能够从分子水平上观察细胞的代谢活动，为疾病的早期诊断和预防提供有效依据。在PET成像扫描过程中，示踪剂在人体内的组织中发生衰变，衰变过程中所产生的正电子与附近的负电子发生湮灭反应，产生一对方向相反，能量为511kev的伽马光子，这对光子被环形探测器所纪录下来生成投影数据。通过一些数学方法对投影数据进行反演即可重建出人体内示踪剂的空间浓度分布。

为了获得更多的病人的生理信息，混合示踪剂成像成为了PET成像研究中的一个重要课题。传统的方法需要对每种示踪剂进行独立注射，独立扫描以及独立成像，这无疑增加了病人的时间，费用和安全隐患。因此，双注入—单扫描是处理PET混合示踪剂成像中比较合理的技术。然而，由于每种示踪剂发生衰变时所产生的伽马光子能量都为511kev，这使得硬件上无法直接分离每种示踪剂所产生的计数光子。

传统上，对混合示踪剂PET浓度分布图像重建往往采用直接拟合和动力学参数估计的方法。前一类的方法主要是采用某些数学方法对时间活度曲线(TAC)进行直接拟合，计算速度快，但是重建的图像品质差。后一类的方法结合了双房室模型，通过估计k参数从而拟合TAC曲线，计算复杂。此外，这些算法需要两种示踪剂注射时间相差一定的间隔(10—20分钟)，通过对单注射时的TAC曲线进行分析计算，才能获得第二种示踪剂的TAC曲线。换句话说，这些算法并不适用于在两种示踪剂同时注射的情况下重建出两种示踪剂的PET浓度分布图像。

发明内容

针对上述技术问题，本发明提供了一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法，能够在两种示踪剂同时注射的情况下很好地重建出两种示踪剂的PET浓度分布图像。

一种基于栈式自编码器的混合示踪剂动态PET浓度分布图像重建的方法，包括如下步骤：

(1)将两种示踪剂注入到生物组织中，利用探测器对注有放射性药剂的生物组织进行探测，采集得到对应不同时刻的符合计数向量，构建组成对应混合示踪剂动态PET的符合计数矩阵Y、对应第一种示踪剂动态PET的符合计数矩阵Y₁以及对应第二种示踪剂动态PET的符合计数矩阵Y₂；

(2)根据符合计数矩阵Y、Y₁和Y₂，利用PET成像原理通过ML-EM算法求解得到对应混合示踪剂的动态PET浓度分布图像X、对应第一种示踪剂的动态PET浓度分布图像X₁以及对应第二种示踪剂的动态PET浓度分布图像X₂；

然后将不同帧的PET浓度分布图像按照像素点顺序排列，得到混合示踪剂PET浓度分布图像中像素点的动态浓度真值向量集x和双示踪剂合并后PET浓度分布图像中像素点的动态浓度真值向量集o，将x和o组成作为训练集；

其中，x中的每个向量作为神经网络的训练样本，o中的每个向量作为训练样本所对应的真值标签；