[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

说明书

本发明提供了一种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，通过RNN深度学习模型对PET图像进行降噪优化处理，再结合本发明提供的新的非训练神经网络，在应用于低剂量扫描图像重建中，降低噪声的同时还可保留图像细节信息；且该非训练神经网络包含最大后验重建算法，通过获取PET图像的相对差异先验信息，实现算法的性能评估，保证所述非训练神经网络的有效性。

技术领域

本发明涉及PET成像技术领域，尤其涉及一种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。

背景技术

PET成像通过注射放射性示踪剂观察组织内部分子水平的活性，因此在神经病学，肿瘤学和心脏病学中得到了广泛的应用。然而，示踪剂的辐射使患者处于发生癌症的潜 在风险中。因此，需要减少放射性示踪剂的剂量以最小化辐射暴露。由于PET/CT系统本 身的固有噪声和有限的分辨率，降低示踪剂的剂量会导致图像质量显著下降，包括噪声 的增加，偏差的增大以及图像细节和结构的丢失等。

现阶段开发出的改善低剂量PET图像质量的方法包括传统方法和深度学习技术。传 统方法包括图像后处理方法和迭代重建。传统的图像后处理方法集中于滤波平滑技术，包括高斯滤波，非局部均值滤波等。但是，它们可能使图像的重要特征(例如器官和病 变边界)变平滑和模糊，从而导致偏差增加和对比度降低。传统的迭代重建算法包括最 大后验重建，其通过加入先验信息降低重建图像的噪声。然而该算法降噪的同时会造成 图像细节的丢失。

最近深度学习在医学影像领域快速发展，神经网络已经被证明是用于医学图像分析 的强大工具，例如降噪、分割、分类和诊断。基于CNN和GAN网络的深度学习后处理 被应用于低剂量PET图像中，降低了图像的噪声，然而会减小各器官和病灶点的对比度 并且丢失图像的细节信息。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种应用于低剂量PET成像在降低 噪声的同时保留了图像的细节和对比度的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。

本发明公开了一种基于非训练神经网络的PET图像重建方法，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。

优选地，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。

优选地，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。

优选地，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。