[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

说明书

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。

技术领域

本发明属于PET成像技术领域，具体涉及一种基于自编码器图像融合的动态PET图像重建方法。

背景技术

正电子发射断层成像(Positron Emission Tomography，PET)是核医学领域比较先进的临床检查影像技术，其基本原理是：将一些短寿命的放射性物质，如¹⁸F、¹¹C标记到人体代谢中的一些必须物质中，如蛋白质，葡萄糖，核酸等，通过这些物质的代谢来反映人体状况，达到诊断的目的。

在代谢过程中，放射性物质的衰变会产生正电子，一个正电子在飞行一段距离后遇到电子会发生湮灭，产生一对方向相反的能量为511KeV的光子，这对光子可以通过高灵敏度的探测器进行捕捉，进而得到发射数据。在得到了发射数据之后，再通过对其重建得到原始状态分布图像。

PET图像的质量与重建算法密切相关，传统的重建方法包括基于Radon变换的滤波反投影(filtered back projection，FBP)重建方法，近年来，基于统计概率先验知识的方法被不断提出，典型的包括最大似然期望最大法(maximum likelihood-expectationmaximization，MLEM)和有序子集最大期望(ordered subsets expectationmaximization)，它们从一个初始值出发，通过统计迭代的方法不断求解出两个或者多个隐含变量，进而得到逼近于真值的解。

然而，MLEM方法也并非能获得准确的重建结果，由于问题的病态性，所得的结果与迭代次数密切相关。迭代次数过低，求得的解不够精确，具体表现为整个图像较模糊；迭代次数过高，则整个重建图像会出现较多的噪声。如何选取合适的参数成为研究的一个问题。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于自编码器图像融合的动态PET图像重建方法，能够通过融合不同MLEM重建结果以及动态PET图像相邻帧之间的有效信息获得更高质量的PET重建图像。

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，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；

(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。

所述的PET成像原理基于以下关系式：

y_i＝Gx_i+e_i