[发明专利]基于非训练神经网络的PET图像重建方法、系统及计算机可读存储介质

权利要求书

1.一种基于非训练神经网络的PET图像重建方法，其特征在于，包括如下步骤：

对PET原始数据通过最大似然估计法进行迭代计算获取初始重建图像；

建立RNN深度学习模型，所述RNN深度学习模型包含所述PET图像的先验信息；利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像；

结合所述初始重建图像和所述降噪图像获取第二重建图像，将所述第二重建图像经非训练神经网络计算获取最终重建图像。

2.根据权利要求1所述的PET图像重建方法，其特征在于，所述建立RNN深度学习模型，所述RNN深度学习模型包含所述PET图像的先验信息；利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像步骤之前还包括：

对所述初始重建图像进行非局部均值滤波处理，再利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像。

3.根据权利要求1所述的PET图像重建方法，其特征在于，给定一图像x，测得图像x的正弦图数据y，通过函数P(x|y)的最大后验信息重建图像，根据贝叶斯法则其中，P(x)是重建图像的先验信息，作为最大后验重建算法的正则项；

假设先验信息遵循吉布斯分布，其形式为：P(x)＝exp(-βV(x))/W；其中βV(x)表示加权吉布斯能量函数，W是归一化因子，寻找P(x|y)的最大值等同于寻求对数后验概率的最大值；

logP(y|x)-βV(x)+c；其中，c是常数，将泊松分布应用于P(y|x)中，得到所述迭代计算公式：

其中，其中是图像x中体素i的新估值，表示待更新的旧图像，V(x)为先验信息势函数，a_ij表示系统矩阵的元素，是体素i对每一个投影j贡献值的建模，β为所述先验信息的权重函数。

4.根据权利要求1所述的PET图像重建方法，其特征在于，所述RNN深度学习模型基于的先验信息势函数为：

其中，D为所述非训练神经网络，x^*为所述非训练神经网络的输入图像，D(x^*)表示所述非训练神经网络的输出图像，即为所述最终降噪图像。

5.根据权利要求1所述的PET图像重建方法，其特征在于，所述结合所述初始重建图像和所述降噪图像获取第二重建图像，将所述第二重建图像经非训练神经网络计算获取最终重建图像包括：

将所述初始重建图像再次进行迭代计算获取二次迭代重建图像，结合所述二次迭代重建图像和所述降噪图像获取第二重建图像。

6.根据权利要求1所述的PET图像重建方法，其特征在于，V(x)相对于图像x的导数由如下公式计算：

7.一种基于非训练神经网络的PET图像重建系统，其特征在于，包括迭代计算模块、滤波模块和深度学习模块；

通过所述迭代计算模块对PET原始数据进行最大似然估计法的迭代计算获取初始重建图像；

通过所述滤波模块对所述初始重建图像进行非局部均值滤波处理；

通过所述深度学习模块建立RNN深度学习模型，所述RNN深度学习模型包含所述PET图像的先验信息，利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像；并结合所述初始重建图像和所述降噪图像获取第二重建图像，将所述第二重建图像经非训练神经网络计算获取最终重建图像并输出。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一所述的分区方法的步骤。