[发明专利]基于滤波反投影算法和神经网络的PET图像重建方法

说明书

本发明公开了一种基于滤波反投影算法和神经网络的PET图像重建方法，其结合了传统的滤波反投影算法和神经网络，提出了一种可解释的深度神经网络结构，用于PET图像重建，将重建问题拆分为重建和去噪两个子问题，分别使用滤波反投影层和改进的去噪卷积神经网络解决；其中滤波反投影层将频域滤波器看作可学习的，由sinogram重建含有噪声的重建图；改进的DnCNN去除重建图像中的噪声，从而获得清楚的重建图。本发明解决了深度学习用于图像重建时难以解释的问题，在低计数率的情况下，依然能够重建清楚的PET图像。

技术领域

本发明属于生物医学图像分析技术领域，具体涉及一种基于滤波反投影算法和神经网络的PET图像重建方法。

背景技术

正电子发射断层扫描(Positron Emission Tomography，PET)是一种用于活体功能显像的核医学技术，能够在分子水平上提供脏器及病变的功能信息，在心脏疾病、脑疾病和恶性肿瘤的诊断和治疗方面发挥着不可替代的作用，其同时也是惟一可在活体上显示生物分子代谢、受体及神经介质活动的新型影像技术，现已广泛用于多种疾病的诊断与鉴别诊断、病情判断、疗效评价、脏器功能研究和新药开发等方面。PET使用¹⁵O、¹⁸F等放射性核素标记的葡萄糖、蛋白质等物质作为示踪剂，这些示踪剂都是生物体的重要组成成分，正常参与生物体的代谢活动，不会对生物体造成伤害。放射性核素在生物体内发生衰变产生正电子，与自由电子碰撞湮灭，产生一对能量为511KeV沿相反方向飞出的γ光子，PET的环绕型探测器阵列对γ光子对进行符合测量和计数，得到原始的投影数据(sinogram)，为后期图像重建和分析提供数据支撑。

PET图像为医生诊断病人提供了形象直观的信息，但是受到低分辨率、计数率不高、噪声大等因素的影响，快速获得高质量的重建图一直是PET成像领域的重要研究课题。PET重建算法可以分为三类：解析重建算法、迭代重建算法和深度学习重建方法，其中解析重建算法如滤波反投影(Filtered back-projection，FBP)算法基于中心切片定理，先对sinogram进行频域滤波，然后进行反投影，该类方法具有简单快速的优点，但是获得的重建图含有大量噪声和车轮状伪影。迭代重建算法采用泊松或高斯模型来描述噪声，建立重建的目标函数，为了抑制重建图像的噪声，该类方法常常在目标函数中加入先验约束，例如马尔科夫随机场、TV等，先验形式的种类繁多，难以判断何种先验形式是最优的；相比于解析重建算法，迭代重建算法使用了噪声模型，在一定程度上抑制了重建图中的噪声，但是它的计算量大速度慢，而且先验形式和超参数的选择依靠经验，暂无统一标准。

近年来，很多学者利用深度神经网络进行PET图像重建，他们使用相对成熟的深度神经网络结构，如U-net、生成对抗网络(GAN)、编码-解码结构等，向神经网络输入sinogram或者传统方法得到的低质量重建图，通过监督学习，使神经网络输出高质量的重建图；尽管这些方法在重建问题上取得了一定成绩，但是这些方法使用的网络像黑箱，难以解释。此外，为了取得较好的结果，这些方法往往需要大量高质量的数据来训练，而数据是医学图像领域的稀缺资源，开发可解释的神经网络来解决PET图像重建问题，降低对数据量的要求，是一个值得研究的方向。

发明内容

鉴于上述，本发明提出了一种基于滤波反投影算法和神经网络的PET图像重建方法，该方法将重建问题拆分成重建和去噪两个子问题，分别用滤波反投影层和改进的去噪卷积神经网络解决。

一种基于滤波反投影算法和神经网络的PET图像重建方法，包括如下步骤：

(1)利用PET设备对注入有放射性示踪剂的生物组织进行扫描，用以探测符合光子并进行计数，得到原始投影数据矩阵Y；

(2)利用现有PET重建方法对原始投影数据矩阵Y进行重建，得到对应的PET示踪剂浓度分布图X；

(3)根据步骤(1)和(2)获取大量数据样本，每一数据样本包括原始投影数据矩阵Y及其对应的PET示踪剂浓度分布图X；