[发明专利]基于多任务学习约束的PET图像感兴趣区域增强重建方法

权利要求书

1.一种基于多任务学习约束的PET图像感兴趣区域增强重建方法，其特征在于，该方法通过将待重建PET反投影图像输入至一训练好的重建映射网络获取PET重建图像完成重建，其中，所述重建映射网络包括共享编码器和重建解码器，通过如下步骤训练获得：

（1）构建训练数据集，所述训练数据集的每个样本包括对应的PET反投影图像、PET重建图像、PET扫描之前进行的CT扫描得到的CT图像和PET重建图像中感兴趣区域掩膜；所述感兴趣区域为PET重建图像中具有特定位置、形状特征的区域；

（2）建立共享编码器的多任务学习，所述多任务学习至少包括：

重建主任务：将PET反投影图像作为共享编码器的输入，结合重建解码器的输出学习从PET反投影图像到PET重建图像的映射；

新增任务一：将PET反投影图像作为共享编码器的输入，结合一CT预测解码器的输出学习从PET反投影图像到CT图像的映射；

新增任务二：将PET反投影图像作为共享编码器的输入，结合一感兴趣区域预测解码器的输出学习从PET反投影图像到PET重建图像中感兴趣区域掩膜的映射；

（3）利用步骤（1）构建的训练数据集，以最小化多任务学习预测结果与真值的损失为目标进行训练，获得训练好的重建映射网络；

所述多任务学习预测结果与真值的损失包括：

重建主任务预测的PET重建图像与PET重建图像标签之间的L1范式误差；

新增任务一预测的CT图像与CT图像标签之间的L1范式误差；

新增任务二预测的感兴趣区域掩膜与感兴趣区域掩膜标签之间的Focal损失；

使用结构相似指数测量SSIM计算预测的PET重建图像与预测的CT图像之间的相似度；

将预测感兴趣区域掩膜作用于预测的PET重建图像和PET重建图像标签后二者感兴趣区域与背景区域对比度之间的L2范式误差。

2.根据权利要求1所述的方法，其特征在于，所述步骤（1）中，PET反投影图像通过将PET原始数据经过衰减、随机、散射矫正之后，反投影至图像域获得。

3.根据权利要求1所述的方法，其特征在于，所述步骤（1）中，PET重建图像为将物理矫正后的PET原始数据进行迭代重建获得。

4.根据权利要求1所述的方法，其特征在于，所述重建映射网络由两部分构成，第一部分是由3D卷积层、3D反卷积层、以及它们之间的跳跃连接构成的U-Net，第二部分由多个残差单元串联构成；其中3D卷积层作为共享编码器用于对PET反投影图像进行编码，提取高层特征；3D反卷积层和多个残差单元构成重建解码器，用于对高层特征进行编码获取预测的PET重建图像。