[发明专利]基于稀疏投影数据的PET成像方法、装置、设备及存储介质

权利要求书

1.一种基于稀疏投影数据的PET成像方法，其特征在于，所述方法包括下述步骤：

接收通过PET设备扫描得到的稀疏投影数据，根据所述稀疏投影数据进行图像重建，获得PET重建图像；

通过预先训练好的生成式对抗网络中的生成器网络对所述PET重建图像进行修复处理，以得到所述PET重建图像对应的修复图像；

将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像，输出所述稀疏投影数据对应的PET图像；

其中，接收通过PET设备扫描得到的稀疏投影数据的步骤之前，所述方法还包括：

根据预设的卷积运算、激活函数和池化操作，构建所述生成式对抗网络，所述生成式对抗网络包括判别器网络和所述生成器网络；

根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集，对所述生成式对抗网络进行训练，所述训练图像集中每组图像样本包括有伪影的PET图像和对应的无伪影的PET图像。

2.如权利要求1所述的方法，其特征在于，根据预设的卷积运算、激活函数和池化操作，构建所述生成式对抗网络的步骤，包括：

将所述卷积运算和所述激活函数组合构成生成器网络的子网络层；

将所述卷积运算、所述激活函数和所述池化操作组合构成判别器网络的子网络层；

将所述生成器网络的子网络层连接构建得到所述生成器网络，将所述判别器网络的子网络层和预设的全连接网络层连接构建得到所述判别器网络。

3.如权利要求2所述的方法，其特征在于，将所述生成器网络的子网络层连接构建得到所述生成器网络，将所述判别器网络的子网络层和预设的全连接网络层连接构建得到所述判别器网络的步骤，包括：

在所述生成器网络除最后一层子网络层外的剩余子网络层中添加预设的批标准化处理，在所述判别器网络的第一层子网络层中添加所述批标准化处理。

4.如权利要求1所述的方法，其特征在于，根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集，对所述生成式对抗网络进行训练的步骤，包括：

初始化所述自适应矩估计算法的算法参数，并在所述训练图像集中获取当前批次图像样本；

根据所述随机隐退算法，通过所述生成器网络对所述当前批次图像样本中有伪影的PET图像进行修复处理，以得到所述有伪影的PET图像对应的修复图像；

根据所述随机隐退算法，通过所述判别器网络对所述有伪影的PET图像对应的修复图像、所述无伪影的PET图像分别进行分类；根据所述分类结果、生成器网络的目标函数和判别器网络的目标函数，通过所述自适应矩估计算法对生成器网络的权值和判别器网络的权值进行迭代更新；

判断当前迭代次数是否超过预设的最大迭代次数，是则输出所述生成式对抗网络，否则将所述训练图像集中下一批次的图像样本设置为所述当前批次图像样本，跳转至通过所述生成器网络对所述当前批次图像样本中有伪影的PET图像进行修复处理的步骤。

5.一种基于稀疏投影数据的PET成像装置，其特征在于，所述装置包括：

PET图像重建单元，用于接收通过PET设备扫描得到的稀疏投影数据，根据所述稀疏投影数据进行图像重建，生成PET重建图像；

重建图像修复单元，用于通过预先训练好的生成式对抗网络中的生成器网络对所述PET重建图像进行修复处理，以得到所述PET重建图像对应的修复图像；

以及PET图像输出单元，用于将所述PET重建图像对应的修复图像设置为所述稀疏投影数据对应的PET图像，输出所述稀疏投影数据对应的PET图像；

其中，所述重建图像修复单元还包括：

网络构建单元，用于根据预设的卷积运算、激活函数和池化操作，构建所述生成式对抗网络，所述生成式对抗网络包括判别器网络和所述生成器网络；

以及网络训练单元，用于根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集，对所述生成式对抗网络进行训练，所述训练图像集中每组图像样本包括有伪影的PET图像和对应的无伪影的PET图像。