[发明专利]一种由PET图像生成CT图像的深度学习框架和方法

权利要求书

1.一种由PET图像生成CT图像的深度学习方法，包括：

利用未经衰减校正的第一PET图像和对应的经衰减校正的第二PET图像，通过对衰减校正机制的逆向计算，获得衰减校正系数图；

构建包含生成器和判别器的图对图生成对抗网络，其中生成器以所述衰减校正系数图作为输入，以CT模态图像作为输出，并以所述生成器输入图像作为判别器的判别条件以区分生成的CT模态图像的真伪；

以设定的损失函数为目标，优化训练所述图对图生成对抗网络，获得未经衰减校正的第一PET图像和CT模态图像之间的映射关系。

2.根据权利要求1所述的方法，其中，将未经衰减校正的第一PET图像输入至预训练的残差Unet网络，输出对应的经衰减校正的第二PET图像，并将所述图对图生成对抗网络的生成器同样设置为残差Unet网络。

3.根据权利要求2所述的方法，其中，所述残差Unet网络依次包括编码器、残差模块和解码器，所述编码器包括多个卷积模块，每个卷积模块的编码结果通过跨越连接机制传递到解码器，所述残差模块设置为多个，每个残差模块包含第一卷积操作和第二卷积操作，且每个残差模块的输出由第一个卷积操作的输入和第二个卷积操作的输出像素级相加得到，所述解码器包含与所述编码器对应的多个卷积模块。

4.根据权利要求3所述的方法，其中，所述编码器的第一个卷积模块包括两个连续且相同的3×3卷积操作，所述编码器的其他卷积模块包括2×2最大池化操作和两个连续且相同的3×3卷积操作，所述编码器的编码结果被2倍下采样后传递至所述残差模块，所述解码器采用与所述编码器相对应的步长为2的双线性插值上采样。

5.根据权利要求2所述的方法，其中，所述残差Unet网络的损失函数设置为：

其中，x表示未经衰减校正的第一PET图像，y表示经衰减校正的第二PET图像，N表示每幅图像的总像素点个数。

6.根据权利要求5所述的方法，其中，所述图对图生成对抗网络中生成器的损失函数设置为：

Loss_CT＝MAE+λ₁·PCP+λ₂·cGAN_g

其中，PCP表示基于预训练模型的感知损失函数，cGAN_g表示对抗损失函数，x表示衰减校正系数图像，y表示对应的CT图像；φ_i表示预训练模型的第i编码卷积层，W_i和H_i表示第i编码卷积层的特征图长和宽，n表示所选的卷积层数。

7.根据权利要求6所述的方法，其中，使用基于sigmoid激活的交叉熵函数作为所述图对图生成对抗网络的对抗损失函数cGAN_g和cGAN_d，生成对抗损失函数在生成器G和判别器D分别表示为：

cGAN_g(x)＝log(D(G(x),x))

cGAN_d(x,y)＝log(D(y,x))+log(1-D(G(x),x))

其中，x表述生成对抗网络的输入图像衰减校正系数图，并且x也作为判别器的判别条件，G(x)表示生成的CT模态图像，y表示真实的CT图像。

8.根据权利要求1所述的方法，其中，利用未经衰减校正的第一PET图像和对应的经衰减校正的第二PET图像，通过对衰减校正机制的逆向计算，获得衰减校正系数图包括：

对于未经衰减校正第一PET图像和经衰减校正的第二PET图像，通过正弦图投影获得对应的第一PET正弦图和第二PET正弦图；

对第一PET正弦图和第二PET正弦图进行点乘操作，获得衰减校正系数正弦图；

对所述衰减校正系数正弦图进行滤波反投影，获得所述衰减校正系数图。