基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法

摘要

本发明公开了一种基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，使用采集的低剂量PET图像和全剂量PET图像训练模型，将低剂量PET图像和训练结果来测试模型，将测试结果保存，得到低剂量PET图像增强结果。本发明通过使用自逆神经网络来实现低剂量和全剂量PET图像之间的相互转换，由于训练的网络具有自逆性，可以有效的降低图像中的噪声和保持图像对比度，有效的提高模型的鲁棒性。本发明网络模型结构简单，计算效率高，能有效的降低图像中的噪声，有效保留图像细节以及对比度，定量误差低于10%。

权利要求

1.基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，其特征在于：使用采集的低剂量PET图像和全剂量PET图像训练模型，将低剂量PET图像和训练结果来测试模型，将测试结果保存，得到低剂量PET图像增强结果；

训练自逆生成对抗网络流程为，

（1）产生两个条件图像：低剂量到全剂量条件Z=0，全剂量到低剂量条件Z=1；

（2）将低剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的全剂量图像，并与相应的全剂量PET图像计算损失；

（3）将全剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的低剂量图像，并与相应的低剂量PET图像计算损失；

（4）将虚拟的全剂量PET图像和真实全剂量PET图像分别输入到全剂量PET图像判别网络 中，并分别计算损失；

（5）将虚拟的低剂量PET图像和真实低剂量PET图像分别输入到低剂量PET图像判别网络 中，并分别计算损失；

（6）将模型应用于验证集上，计算验证误差，并判断是否达到最小；

（7）如果验证误差没有达到最小，继续更新网络参数；

（8）如果验证误差达到最小，保存网络和权重；

损失计算中，网络目标函数包含以下3个损失，；

最终的目标函数为，

其中x，y和z分别为低剂量PET图像，全剂量PET图像和条件图像，这里的条件图像用于控制模型从x转换到y或者从y转换到x。

2.根据权利要求1所述的基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，其特征在于：模型训练流程为，（1）采集低剂量和全剂量PET图像；

（2）将低剂量和全剂量PET图像数据集分成训练集、验证集和测试集；

（3）在训练集和验证集中，将低剂量和全剂量PET图像归一化到0‑1之间；

（4）在训练集和验证集中，对归一化之后的低剂量与全剂量PET图像分别在相同位置提取3D图像碎片，组成训练数据对；

（5）使用生成的3D图像碎片来训练自逆生成对抗网络；

（6）网络训练完成，保存网络和权重；

（7）使用测试数据来评估模型性能。

3.根据权利要求2所述的基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，其特征在于：模型测试流程如下，（1）将采集到的低剂量PET图像进行预处理；

（2）加载训练好的网络和权重；

（3）将预处理好的PET图像输入到网络中进行处理；

（4）将网络输出的结果保存到DICOM文件中。

说明书

基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法

技术领域

[0001] 本发明涉及医学影像设备技术领域，更具体涉及一种基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法。

背景技术

[0002] 正电子发射计算机断层成像（Positron Emission Tomography）是核医学领域比较先进的临床检查影像技术。通过向人体注射放射性示踪剂药物，药物中的放射性核素衰变产生的一对γ射线，从而得到放射性药物在人体内的分布图。一般放射性示踪剂选取的是生物生命代谢中必须的物质，如：葡萄糖、蛋白质、核酸、脂肪酸，标记上短寿命的放射性核素（如18F，11C等），注入人体后，通过对于该物质在代谢中的聚集，来反映生命代谢活动的情况，从而达到诊断的目的。

[0003] 由于PET扫描中存在的潜在放射性可能对人体带来辐照损伤，因此临床上非常渴望降低PET的扫描剂量，常见的降低扫描剂量的方法就是降低注射的放射性示踪剂的剂量。然而降低注射剂量会导致图像噪声增加，对比度下降，并最终可能影响到医生的诊断。传统的图像后处理方法包括BM3D，NLM等通常会导致图像过平滑和图像对比度下降等问题。近年来深度学习得到了快速的发展，并广泛应用于医学图像分析当中。为了克服低剂量PET图像中增加的噪声，我们提出了一种使用深度学习模型的方法来增强由于降低PET注射剂量之后重建图像，并有效的保留图像对比度，为医生提供高质量的PET图像。

发明内容

[0004] 针对现有技术的不足，本发明提供了一种基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，通过使用自逆神经网络来实现低剂量和全剂量PET图像之间的相互转换，有效的降低图像中的噪声和保持图像对比度。

[0005] 为实现上述目的，本发明提供了如下技术方案：基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，使用采集的低剂量PET图像和全剂量PET图像训练模型，将低剂量PET图像和训练结果来测试模型，将测试结果保存，得到低剂量PET图像增强结果。

[0006] 进一步，上述训练流程为：

[0007] （1）采集低剂量和全剂量PET图像；

[0008] （2）将低剂量和全剂量PET图像数据集分成训练集、验证集和测试集；

[0009] （3）在训练集和验证集中，将低剂量和全剂量PET图像归一化到0‑1之间；

[0010] （4）在训练集和验证集中，对归一化之后的低剂量与全剂量PET图像分别在相同位置提取3D图像碎片，组成训练数据对；

[0011] （5）使用生成的3D图像碎片来训练自逆生成对抗网络；

[0012] （6）网络训练完成，保存网络和权重；

[0013] （7）使用测试数据来评估模型性能。

[0014] 进一步，训练自逆生成对抗网络流程为：

[0015] （1）产生两个条件图像：低剂量到全剂量条件Z=0，全剂量到低剂量条件Z=1；

[0016] （2）将低剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的全剂量图像，并与相应的全剂量PET图像计算损失；

[0017] （3）将全剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的低剂量图像，并与相应的低剂量PET图像计算损失；

[0018] （4）将虚拟的全剂量PET图像和真实全剂量PET图像分别输入到全剂量PET图像判别网络D2中，并分别计算损失；

[0019] （5）将虚拟的低剂量PET图像和真实低剂量PET图像分别输入到低剂量PET图像判别网络 1中，并分别计算损失；

[0020] （6）将模型应用于验证集上，计算验证误差，并判断是否达到最小；

[0021] （7）如果验证误差没有达到最小，继续更新网络参数；

[0022] （8）如果验证误差达到最小，保存网络和权重。

[0023] 进一步，损失计算中，网络目标函数包含以下3个损失：

[0024]；

[0025] 最终的目标函数为：

[0026]

[0027] 其中x，y和z分别为低剂量PET图像，全剂量PET图像和条件图像，这里的条件图像用于控制模型从x转换到y或者从y转换到x

[0028] 进一步，模型测试流程如下，

[0029] （1）将采集到的低剂量PET图像进行预处理；

[0030] （2）加载训练好的网络和权重；

[0031] （3）将预处理好的PET图像输入到网络中进行处理；

[0032] （4）将网络输出的结果保存到DICOM文件中。

[0033] 综上所述，本发明通过使用自逆神经网络来实现低剂量和全剂量PET图像之间的相互转换，由于训练的网络具有自逆性，可以有效的降低图像中的噪声和保持图像对比度，有效的提高模型的鲁棒性。通过训练好的自逆神经网络来实现低剂量PET图像增强以及由全剂量图像来模拟生成低剂量图像。本发明网络模型结构简单，计算效率高，能有效的降低图像中的噪声，有效保留图像细节以及对比度，定量误差低于10%。

附图说明

[0034] 图1为本发明实施例中自逆生成网络结构框架；

[0035] 图2为本发明实施例中判别网络框架；

[0036] 图3为本发明实施例模型框架；

[0037] 图4为本发明实施例流程；

[0038] 图5为本发明实施例中模型训练流程；

[0039] 图6为本发明实施例自逆生成对抗网络训练流程；

[0040] 图7为本发明实施例测试流程；

[0041] 图8为本发明实施例头部模型验证和测试效果；

[0042] 图9为本发明实施例身体模型验证和测试效果。

具体实施方式

[0043] 参照图1至图9对本发明一种基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法的具体实施方式作进一步的说明。

[0044] 基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，使用采集的低剂量PET图像和全剂量PET图像训练模型，将低剂量PET图像和训练结果来测试模型，将测试结果保存，得到低剂量PET图像增强结果。

[0045] 如图5所示，上述训练流程为：

[0046] （1）采集低剂量和全剂量PET图像；

[0047] （2）将低剂量和全剂量PET图像数据集分成训练集、验证集和测试集；

[0048] （3）在训练集和验证集中，将低剂量和全剂量PET图像归一化到0‑1之间；

[0049] （4）在训练集和验证集中，对归一化之后的低剂量与全剂量PET图像分别在相同位置提取3D图像碎片，组成训练数据对；

[0050] （5）使用生成的3D图像碎片来训练自逆生成对抗网络；

[0051] （6）网络训练完成，保存网络和权重；

[0052] （7）使用测试数据来评估模型性能。

[0053] 如图6所示，训练自逆生成对抗网络流程为：

[0054] （1）产生两个条件图像：低剂量到全剂量条件Z=0，全剂量到低剂量条件Z=1；

[0055] （2）将低剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的全剂量图像，并与相应的全剂量PET图像计算损失；

[0056] （3）将全剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的低剂量图像，并与相应的低剂量PET图像计算损失；

[0057] （4）将虚拟的全剂量PET图像和真实全剂量PET图像分别输入到全剂量PET图像判别网络D2中，并分别计算损失；

[0058] （5）将虚拟的低剂量PET图像和真实低剂量PET图像分别输入到低剂量PET图像判别网络D2中，并分别计算损失；

[0059] （6）将模型应用于验证集上，计算验证误差，并判断是否达到最小；

[0060] （7）如果验证误差没有达到最小，继续更新网络参数；

[0061] （8）如果验证误差达到最小，保存网络和权重。

[0062] 进一步，损失计算中，网络目标函数包含以下3个损失：

[0063]；

[0064] 最终的目标函数为：

[0065]

[0066] 其中x，y和z分别为低剂量PET图像，全剂量PET图像和条件图像，这里的条件图像用于控制模型从x转换到y或者从y转换到x

[0067] 如图7所示，模型测试流程如下，

[0068] （1）将采集到的低剂量PET图像进行预处理；

[0069] （2）加载训练好的网络和权重；

[0070] （3）将预处理好的PET图像输入到网络中进行处理；

[0071] （4）将网络输出的结果保存到DICOM文件中。

[0072] 实施例，头部和身体模型验证和测试效果如图8和图9所示。

[0073] 以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。