一种基于深度学习的低剂量PET三维重建方法

摘要

本发明公开了一种基于深度学习的低剂量PET三维重建方法，该方法包括将低剂量PET原始数据无损反投影至图像域，选取适当的三维深度神经网络结构以拟合低剂量PET反投影到标准剂量PET图像之间的映射，通过训练样本学习并固定网络参数后，实现从低剂量PET原始数据出发的PET图像三维重建，以获取比传统重建算法与图像域降噪处理噪声更低，分辨率更高的低剂量PET重建图像。

权利要求

1.一种基于深度学习的低剂量PET三维重建方法，其特征在于，包括以下步骤：(1)执行低剂量PET原始数据反投影方法，具体包括以下子步骤：(1.1)将低剂量PET原始数据经过衰减校正处理，再经PET扫描仪的系统矩阵转置作用，获取衰减校正后低剂量PET数据反投影lpp_ac；

(1.2)将低剂量PET原始数据中的随机与散射事件数据经过PET扫描仪的系统矩阵转置的作用，获取随机与散射数据的反投影lrs；

(1.3)生成全1仿真PET图像，并将其经过PET扫描仪的系统矩阵作用，获得其三维投影，再将三维投影的结果反投影至图像域，获得全1的PET图像的反投影l1；

(1.4)将步骤(1.1)中获取衰减校正后低剂量PET数据反投影lpp_ac与步骤(1.2)中获取随机与散射数据的反投影lpp_ac相减，进行随机散射校正，再除以步骤(1.3)获得全1的PET图像的反投影l1，获得校正、正则化后的低剂量PET三维反投影lbp：(2)将步骤(1.4)获取的校正、正则化后的低剂量PET三维反投影lbp作为深度神经网络的输入，将标准剂量PET重建图像作为网络的标签，通过Adam优化算法更新深度神经网络参数，使目标损失函数最小化，完成对深度神经网络的训练；所述深度神经网络训练的目标损失函数为：

其中Nx、Ny、Nz分别表示低剂量PET反投影或标准剂量PET图像在水平、竖直和轴向的像素点总个数，C(·)表示三维深度神经网络拟合的从低剂量PET反投影lbp到标准剂量PET重full

建图像f 的映射，(i,j,k)表示图像中的像素点；

(3)对新采集的低剂量PET原始数据，执行步骤(1)的反投影方法，再输入步骤(2)训练好的深度神经网络中，获得对应低剂量PET重建图像。

说明书

一种基于深度学习的低剂量PET三维重建方法

技术领域

[0001] 本发明涉及医学影像领域，具体地涉及一种基于深度学习的低剂量PET三维重建方法。

背景技术

[0002] 正电子发射断层扫描(Positron Emission Tomography，PET)是一种能提供活体生化和定量生理信息的医学影像，在肿瘤学、心脏学、神经学，以及精神疾病等方面具有重
要应用，PET/CT也已经成为国际公认的肿瘤检测的金标准。PET的成像过程包括扫描前对病
人注入放射性示踪剂，示踪剂在参与生理代谢时发生衰变产生正电子，正电子和邻近的电
子发生湮灭效应，产生逆向运动的511keV光子对。光子对打到PET扫描仪接收器上形成一定
数量的符合响应线(Line of Response，LOR)，并将其保存成三维PET原始数据sinogram。对
sinogram进行衰减、随机和散射校正后再用统计学方法对其进行三维迭代重建，即可获得
表征人体内各组织代谢强度的三维PET图像。

[0003] 通过减少注入病人体内的放射性示踪剂剂量，可以降低对病人及医护人员的辐射，缩短扫描时间，降低造影成本，因此低剂量PET重建已经成为核医学领域最热门的课题
之一，尤其在婴幼儿癫痫以及青少年抑郁等应用领域获得广泛关注。然而注射示踪剂的减
少导致了PET扫描仪接收到的真符合事件(true coincidence)受随机(random 
coincidence)、散射符合事件(scattered coincidence)干扰的增加，使得PET原始数据信
噪比的降低，从而进一步导致由传统重建方法获取的PET图像被大量噪声污染，严重影响了
临床医生的读片与诊断。

[0004] 近年来，随着计算机技术的迅速发展，深度学习方法在自然图像处理、语音识别等问题上取得了重大突破，同时在医学影像上的应用也越来越广泛。为了抑制传统重建算法
获取的低剂量PET重建图像中的噪声并保留有用病灶信息，基于深度学习方法的降噪处理
已经被引入以改善低剂量PET成像。目前，此类方法主要集中在图像后处理范畴，即在图像
域建立高噪声低剂量PET重建图像到标准剂量PET图像的映射。由于传统的低剂量PET重建
过程并不能完全保留原始数据中的有效高频信息，用于拟合映射的神经网络的泛化能力不
足导致图像伪影和定量误差成为了此类技术路线的性能瓶颈。

发明内容

[0005] 本发明的目的在于突破现有基于图像后处理技术的低剂量PET重建方法的性能瓶颈，提供一种从PET原始数据出发的，基于深度学习的PET图像三维重建方法。该方法将低剂
量PET原始数据无损反投影到图像域获取高度模糊的laminogram，使用三维U‑Net拟合图像
域去卷积操作，从laminogram中恢复出PET图像的粗估计，并通过串联三维残差单元
(Residual block)进一步细化PET重建图像，利用训练样本先验知识学习并固定网络参数，
最后将其应用于低剂量PET图像三维重建，以获取与传统重建结果以及对传统重建结果进
行降噪后处理所得的PET图像相比，噪声更低，分辨率更高的低剂量PET重建图像。

[0006] 本发明的目的是通过以下技术方案实现的：一种基于深度学习的低剂量PET三维重建方法，包括以下步骤：

[0007] (1)执行低剂量PET原始数据反投影方法，具体包括以下子步骤：

[0008] (1.1)将低剂量PET原始数据经过衰减校正处理，再经PET扫描仪的系统矩阵转置作用，获取衰减校正后低剂量PET数据反投影lpp_ac。

[0009] (1.2)将低剂量PET原始数据中的随机与散射事件数据经过PET扫描仪的系统矩阵转置的作用，获取随机与散射数据的反投影lrs。

[0010] (1.3)生成全1仿真PET图像，并将其经过PET扫描仪的系统矩阵作用，获得其三维投影，再将三维投影的结果反投影至图像域，获得全1的PET图像的反投影l1。

[0011] (1.4)将步骤(1.1)中获取衰减校正后低剂量PET数据反投影lpp_ac与步骤(1.2)中获取随机与散射数据的反投影lpp_ac相减，进行随机散射校正，再除以步骤(1.3)获得全1的
PET图像的反投影l1，获得校正、正则化后的低剂量PET三维反投影lbp：

[0012]

[0013] (2)将步骤(1.4)获取的校正、正则化后的低剂量PET三维反投影lbp作为深度神经网络的输入，将标准剂量PET重建图像作为网络的标签，通过Adam优化算法更新深度神经网
络参数，使目标损失函数最小化，完成对深度神经网络的训练。所述深度神经网络训练的目
标损失函数为：

[0014]

[0015] 其中Nx、Ny、Nz分别表示低剂量PET反投影或标准剂量PET图像在水平、竖直和轴向的像素点总个数，C(·)表示三维深度神经网络拟合的从低剂量PET反投影lbp到标准剂量
full
PET重建图像f 的映射，(i,j,k)表示图像中的像素点。

[0016] (3)对新采集的低剂量PET原始数据，执行步骤一的反投影方法，再输入步骤二训练好的深度神经网络中，获得对应低剂量PET重建图像。

[0017] 与现有技术相比，本发明的有益效果是：本发明从低剂量PET原始数据出发，抑制了由于图像域映射神经网络的泛化能力不足所导致的伪影和定量误差的产生。另外，本发
明提出将低剂量PET原始数据无损反投影至图像域的方法，减小了拟合低剂量到标准剂量
映射的神经网络的计算复杂度，提高了网络训练效率，降低了测试网络即生成低剂量PET重
建图像所需时间，使其远低于传统迭代重建算法耗时，并且在相同剂量下可获取比传统重
建算法更高信噪比的PET图像。

附图说明

[0018] 图1是低剂量PET原始数据反投影方法流程图；

[0019] 图2是传统算法与本发明算法PET重建图像对比图。

具体实施方式

[0020] 下面结合附图和实施例对本发明的内容做进一步阐述。

[0021] PET扫描仪接收到的低剂量原始数据是由PET图像经过三维X‑ray变换所得投影构成的三维sinogram。由于三维sinogram中不仅包含轴向平面投影，还包含穿过轴向平面的
倾斜平面投影，它具有数据量大和信息高度冗余的特点，直接用神经网络拟合sinogram到
PET图像之间的映射受到计算机运算及存储能力的限制，很难实现。本发明提出针对三维
sinogram的无损反投影方法，其流程图如图1所示：

[0022] (1.1)将低剂量PET原始数据经过衰减校正处理，再经PET扫描仪的系统矩阵转置作用，获取衰减校正后低剂量PET数据反投影lpp_ac，即高度模糊的PET图像。

[0023] (1.2)将低剂量PET原始数据中的随机与散射事件数据经过PET扫描仪的系统矩阵转置的作用，获取随机与散射数据的反投影lrs。

[0024] (1.3)为了削弱由PET扫描仪轴向范围有限所导致的三维投影与反投影过程的空间变化性，本发明提出对于PET反投影的正则化方法，生成全1仿真PET图像的laminogram，
并将其经过PET扫描仪的系统矩阵的作用，再将投影的结果反投影至图像域，获得全1的PET
图像的反投影l1。

[0025] (1.4)将步骤(1.1)中获取衰减校正后低剂量PET数据反投影lpp_ac与步骤(1.2)中获取随机与散射数据的反投影lpp_ac相减，进行随机散射校正，再除以步骤(1.3)获得全1的
PET图像的反投影l1，获得校正、正则化后的低剂量PET三维反投影lbp：

[0026]

[0027] 所述校正、正则化后的低剂量PET三维反投影lbp与PET重建图像之间的关系表示为：

[0028]

[0029] 其中，f(x,y,z)和lbp(x,y,z)分别表示三维PET图像和校正、正则化后反投影在某一点(x,y,z)处的活度值，H(υ,ψ)是用球面坐标表示的旋转对称的PSF(point spread 
function)的三维傅里叶变换，定义为：

[0030]

[0031] 表示ramp‑type三维图像域滤波器，PET反投影与之卷积可恢复出高分辨率PET图像。

[0032] 本发明提出用三维深度神经网络拟合 该深度神经网络由两部分构成，第一部分是由3D卷积层，3D反卷积层，以及它们之间的跳跃连接(shortcuts)构成的U‑
Net。其中卷积层用来对PET反投影进行编码，提取高层特征，反卷积层再对特征进行编码获
取PET图像的粗估计，网络中的shortcuts将卷积层的输出与对应反卷积层的输出进行叠
加，实现在不增加网络参数的基础上，改善网络训练效果并有效防止退化问题。

[0033] 深度神经网络的第二部分由多个残差单元(Residual block)串联构成，用于进一步细化PET图像粗估计中的高频细节。由于PET图像的粗估计包含的低频信息与标准剂量
PET图像的低频信息相近，使用残差单元可以只学习两者之间的高频残差部分，以提高网络
训练效率。

[0034] (2)因此将步骤(1.4)获取的校正、正则化后的低剂量PET三维反投影lbp作为深度神经网络的输入，将标准剂量PET重建图像作为深度神经网络的标签，通过Adam优化算法更
新所述深度神经网络参数，使目标损失函数最小化，完成对深度神经网络的训练，获得映射
网络的估计 训练映射网络C(·)所学习到的标准剂量先验知识可以在测试过程中实现
对低剂量PET反投影的补偿。所述深度神经网络训练的目标损失函数为：

[0035]

[0036] 其中Nx、Ny、Nz分别表示低剂量PET反投影或标准剂量PET图像在水平、竖直和轴向的像素点总个数，C(·)表示三维深度神经网络拟合的从低剂量PET反投影lbp到标准剂量
full
PET重建图像f 的映射，(i,j,k)表示图像中的像素点。

[0037] (3)用训练好的映射 对新采集的低剂量PET原始数据进行重建：首先执行步骤一的反投影方法，将处理后的反投影输入映射网络 获得对应低剂量PET重建图像。

[0038] 传统重建算法对低剂量PET数据的重建结果如图2(a)所示，重建图像噪声大，无法区分病灶与噪声；使用本发明所提出的重建算法可获取如图2(b)所示的低剂量PET重建图
像，图像2(b)的信噪比明显高于图像2(a)。