[发明专利]一种基于自编码器图像融合的动态PET图像重建方法

摘要

本发明公开了一种基于自编码器图像融合的动态PET图像重建方法，该方法借鉴了机器学习中集成学习的思想，将MLEM算法看成弱分类器，通过对不同弱分类器的集成获得一个强分类器，提升PET重建效果；本发明对已有的MLEM算法进行改进，通过自编码器的结构对不同迭代次数重建结果进行图像融合工作，从而在全局上获得更优的重建结果。与现有的重建方法相比，本发明取得了更好的重建效果。

主权项

1.一种基于自编码器图像融合的动态PET图像重建方法，包括如下步骤：(1)利用探测器对注入有放射性物质的生物组织进行探测，连续采集得到对应不同时刻的多帧符合计数向量作为训练集；(2)对于训练集中的任一帧符合计数向量，根据PET成像原理通过MLEM算法估计得到对应该帧在各关键迭代次数下的PET浓度分布图像，然后对估计得到的PET浓度分布图像进行分块：即对于PET浓度分布图像中的任一体素，从PET浓度分布图像中截取以该体素为中心大小为n×n的图块作为一组分块数据，依此遍历PET浓度分布图像中的所有体素，得到M组分块数据，M为PET浓度分布图像的体素总个数，n为大于1的自然数；进而根据PET浓度分布图像的分块数据组建得到多组训练样本，每组训练样本包括输入量和输出量，所述的输入量包括通过估计得到的对应训练集中第i‑p帧至第i+p帧符合计数向量yi‑p～yi+p在各关键迭代次数下的所有PET浓度分布图像的第j组分块数据，所述的输出量为第i帧符合计数向量yi所对应PET浓度真值图像的第j组分块数据；p为大于0的自然数，i为自然数且1≤i≤N，N为训练集中符合计数向量的帧数，j为自然数且1≤j≤M；(3)构建由多个自编码器累加而成的神经网络模型，进而利用所述的训练样本对该神经网络模型进行训练，并最终确立得到PET图像重建模型；(4)根据步骤(1)连续采集得到对应不同时刻的多帧符合计数向量作为测试集；然后根据步骤(2)通过估计得到对应测试集中每一帧符合计数向量在各关键迭代次数下的PET浓度分布图像，进而对估计得到的PET浓度分布图像进行分块；最后将PET浓度分布图像的分块数据输入所述的PET图像重建模型中，从而输出得到对应各帧的PET浓度重建图像。