[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

权利要求书

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y_i-p～y_i+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y_i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。

2.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的PET成像原理基于以下关系式：

y_i＝Gx_i+e_i

其中：y_i为第i帧符合计数向量，x_i为第i帧PET浓度分布图像，e_i为第i帧对应的系统噪声向量，G为系统矩阵，i为自然数且1≤i≤N，N为训练集中符合计数向量的帧数。

3.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的自编码器由输入层、隐藏层和输出层组成；其中，前一个自编码器的隐藏层为后一个自编码器的输入层；对于任一自编码器，其隐藏层的神经元个数比输入层的神经元个数少。

4.根据权利要求3所述的动态PET图像重建方法，其特征在于：所述自编码器的函数模型如下：

h＝σ(wt+b)

z＝σ(w'h+b')

其中：t、h和z分别为自编码器的输入层、隐藏层和输出层，w和b均为输入层与隐藏层之间的模型参数，w'和b'均为隐藏层与输出层之间的模型参数，σ(s)为神经元函数且s为神经元函数σ(s)的自变量。

5.根据权利要求4所述的动态PET图像重建方法，其特征在于：所述的步骤(3)中对神经网络模型进行训练的具体方法如下：

对于神经网络模型中的第一个自编码器，以训练样本的输入量作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；

对于神经网络模型中除第一个和最后一个以外的任一自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；

对于神经网络模型中的最后一个自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使训练样本的输出量与该自编码器输入层的损失函数L'最小为目标，通过反向传播法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数。