[发明专利]一种基于3D Unet的动态双示踪PET成像方法

权利要求书

1.一种基于3D Unet的动态双示踪PET成像方法，包括如下步骤：

(1)对注入有混合双示踪剂的生物组织进行动态PET探测，得到对应不同时刻的符合计数向量，进而组成反映混合双示踪剂分布情况的动态符合计数序列Y^dual，所述混合双示踪剂由两种不同的示踪剂I和示踪剂II所组成；

(2)对先后注入有示踪剂I和示踪剂II的生物组织进行动态PET探测，分别得到两组单示踪剂对应不同时刻的符合计数向量，进而组成分别反映示踪剂I和示踪剂II分布情况的动态符合计数序列Y^I和Y^II；

(3)利用PET图像重建算法计算出动态符合计数序列Y^dual、Y^I和Y^II所对应的动态PET图像序列X^dual、X^I和X^II；

(4)使X^dual、X^I和X^II组成作为一个样本，根据步骤(1)～(3)重复执行多次以得到大量样本，进而将所有样本分为训练集和测试集；

(5)利用训练集样本作为输入对3D Unet神经网络进行训练，得到动态双示踪剂PET重建模型；

所述3D Unet神经网络从输入至输出由三个下采样块D1～D3、上采样块U1、concat层C1、上采样块U2、concat层C2、上采样块U3、concat层C3、一个卷积块和一个3D卷积层H依次连接组成；

所述下采样块D1包含有七层结构：第一层为3D卷积层，其设置3×3×3大小的卷积核，产生8个Feature map；第二层为BatchNorm层，对上一层的输出进行归一化；第三层为LeakyRelu层，对上一层的输出做激活函数处理；第四层为3D卷积层，其设置3×3×3大小的卷积核，产生8个Feature map；第五层为BatchNorm层，对上一层的输出进行归一化；第六层为Leaky Relu层，对上一层的输出做激活函数处理，其输出作为concat层C3的输入；第七层为3D最大池化层，设置2×2×2大小的卷积核进行下采样，产生8个Feature map；

所述下采样块D2包含有七层结构：第一层为3D卷积层，其设置3×3×3大小的卷积核，产生16个Feature map；第二层为BatchNorm层，对上一层的输出进行归一化；第三层为Leaky Relu层，对上一层的输出做激活函数处理；第四层为3D卷积层，其设置3×3×3大小的卷积核，产生16个Feature map；第五层为BatchNorm层，对上一层的输出进行归一化；第六层为Leaky Relu层，对上一层的输出做激活函数处理，其输出作为concat层C2的输入；第七层为3D最大池化层，设置3×2×2大小的卷积核进行下采样，产生16个Feature map；

所述下采样块D3包含有七层结构：第一层为3D卷积层，其设置3×3×3大小的卷积核，产生32个Feature map；第二层为BatchNorm层，对上一层的输出进行归一化；第三层为Leaky Relu层，对上一层的输出做激活函数处理；第四层为3D卷积层，其设置3×3×3大小的卷积核，产生32个Feature map；第五层为BatchNorm层，对上一层的输出进行归一化；第六层为Leaky Relu层，对上一层的输出做激活函数处理，其输出作为concat层C1的输入；第七层为3D最大池化层，设置1×2×2大小的卷积核进行下采样，产生32个Feature map；

所述上采样块U1包含有九层结构：第一层为3D卷积层，其设置3×3×3大小的卷积核，产生64个Feature map；第二层为BatchNorm层，对上一层的输出进行归一化；第三层为Leaky Relu层，对上一层的输出做激活函数处理；第四层为3D卷积层，其设置3×3×3大小的卷积核，产生64个Feature map；第五层为BatchNorm层，对上一层的输出进行归一化；第六层为Leaky Relu层，对上一层的输出做激活函数处理；第七层为3D反卷积层，其设置1×2×2大小的卷积核，产生32个Feature map；第八层为BatchNorm层，对上一层的输出进行归一化；第九层为Leaky Relu层，对上一层的输出做激活函数处理；

所述上采样块U2包含有九层结构：第一层为3D卷积层，其设置3×3×3大小的卷积核，产生32个Feature map；第二层为BatchNorm层，对上一层的输出进行归一化；第三层为Leaky Relu层，对上一层的输出做激活函数处理；第四层为3D卷积层，其设置3×3×3大小的卷积核，产生32个Feature map；第五层为BatchNorm层，对上一层的输出进行归一化；第六层为Leaky Relu层，对上一层的输出做激活函数处理；第七层为3D反卷积层，其设置3×2×2大小的卷积核，产生16个Feature map；第八层为BatchNorm层，对上一层的输出进行归一化；第九层为Leaky Relu层，对上一层的输出做激活函数处理；

所述上采样块U3包含有九层结构：第一层为3D卷积层，其设置3×3×3大小的卷积核，产生16个Feature map；第二层为BatchNorm层，对上一层的输出进行归一化；第三层为Leaky Relu层，对上一层的输出做激活函数处理；第四层为3D卷积层，其设置3×3×3大小的卷积核，产生16个Feature map；第五层为BatchNorm层，对上一层的输出进行归一化；第六层为Leaky Relu层，对上一层的输出做激活函数处理；第七层为3D反卷积层，其设置2×2×2大小的卷积核，产生8个Feature map；第八层为BatchNorm层，对上一层的输出进行归一化；第九层为Leaky Relu层，对上一层的输出做激活函数处理；

所述concat层C1将上采样块U1的输出以及下采样块D3第六层的输出在channel维度方向上进行连接后作为上采样块U2的输入；所述concat层C2将上采样块U2的输出以及下采样块D2第六层的输出在channel维度方向上进行连接后作为上采样块U3的输入；所述concat层C3将上采样块U3的输出以及下采样块D1第六层的输出在channel维度方向上进行连接后作为卷积块的输入；

所述卷积块包含有六层结构：第一层为3D卷积层，其设置3×3×3大小的卷积核，产生8个Feature map；第二层为BatchNorm层，对上一层的输出进行归一化；第三层为Leaky Relu层，对上一层的输出做激活函数处理；第四层为3D卷积层，其设置3×3×3大小的卷积核，产生8个Feature map；第五层为BatchNorm层，对上一层的输出进行归一化；第六层为LeakyRelu层，对上一层的输出做激活函数处理，其输出作为3D卷积层H的输入；

所述3D卷积层H设置1×1×1大小的卷积核，产生1个Feature map作为整个网络的输出，即为两种示踪剂对应的动态PET图像序列X^I和X^II在时间维度上的串联；

(6)从测试集中任取一样本，使该样本中的X^dual在时间维度复制连接构成[X^dual,X^dual]后输入至所述动态双示踪剂PET重建模型，即可输出得到对应示踪剂I和示踪剂II的动态PET图像序列X^I和X^II。