[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

说明书

本发明公开了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，该方法先获取PET原始数据在图像域的反投影图像，设计重建主任务为利用三维深度卷积神经网络建立反投影图像与PET重建图像之间的映射。设计新增辅助任务一从反投影图像中预测与PET重建图像具有相同解剖结构的电子计算机断层扫描（CT）图像，从而利用高分辨率CT图像的局部平滑信息降低PET重建图像中的噪声。设计新增任务二实现区分反投影图像中的感兴趣区域与背景区域，在重建过程中对感兴趣区域进行增强重建，降低感兴趣区域由平滑导致的定量误差，提高PET重建精度。

技术领域

本发明属于医学影像技术领域，具体地涉及一种基于多任务约束的PET图像感兴趣区域增强重建方法。

背景技术

正电子发射断层扫描（Positron Emission Tomography, PET）是一种能同时提供人体生物学功能代谢信息和形态解剖结构信息的医学影像，在临床肿瘤的诊断、神经精神疾病和心血管疾病的诊疗评估等方面得到广泛应用。PET的成像过程包括扫描前对病人注入放射性示踪剂；示踪剂在人体内参与生理代谢时发生衰变产生正电子；正电子与邻近组织中的电子发生湮灭效应，产生逆向运动的高能光子对；用两个位置相对的探测器对光子对进行符合探测可记录一条符合响应线；采集一定数量的符合响应线，并按位置和角度信息排列成三维PET原始数据；对原始数据进行矫正后，利用重建算法即可获得表征人体内各组织代谢强度的三维PET图像。

经典解析重建算法以线性积分模型为基础，先将PET原始数据沿符合响应线反投影至图像域获取一个模糊的PET图像估计，再设计三维高通滤波器对估计图像中的边缘、细节等进行锐化处理以获取清晰的PET图像。由于高通滤波器在增强高频信号的同时不可避免的增强了高频噪声，解析算法重建出的图像具有噪声高的特点，尤其在PET原始数据量不足的情况下。与解析算法不同，现今临床应用广泛的迭代重建算法使用泊松随机过程对原始数据采集进行建模，通过求解原始数据的最大似然估计获取PET图像的无偏估计。由于在数据域对噪声进行了准确建模，迭代重建算法获取的PET图像中的噪声远低于解析重建算法。然而迭代重建算法需要重复进行投影、反投影操作，其耗时长的缺点成为制约PET扫描获得进一步推广的原因之一。

随着计算机硬件的更新换代以及深度学习技术的飞速发展，近年来利用深度学习改善PET图像重建的课题获得了广泛关注。其中利用深度学习建立质量较差的PET图像到高质量的PET图像的端对端映射或者直接建立从PET原始数据到PET图像之间的映射取得了初步进展，在缩短迭代重建耗时的同时，获取了分辨率高、噪声低的PET图像。然而，目前的基于单任务的PET图像深度学习重建无法在重建映射中引入关于PET图像的先验知识，不能对PET图像中的感兴趣区域引入注意力机制，且泛化能力较弱、利用训练好的模型重建新数据的时候有产生伪影的风险。因此，基于深度学习的重建方法目前尚未得到临床医生的认可。

发明内容

本发明的目的在于针对现有单任务深度学习PET重建技术的不足，提供一种基于多任务约束的PET图像感兴趣区域增强重建方法。该方法先获取PET原始数据在图像域的反投影图像，设计重建主任务为利用三维深度卷积神经网络建立反投影图像与PET重建图像之间的映射。设计新增辅助任务一从反投影图像中预测与PET重建图像具有相同解剖结构的电子计算机断层扫描（Computed Tomography, CT）图像，从而利用高分辨率CT图像的局部平滑信息降低PET重建图像中的噪声。设计新增任务二实现区分反投影图像中的感兴趣区域与背景区域，在重建过程中对感兴趣区域进行增强重建，降低感兴趣区域由平滑导致的定量误差，提高PET重建精度。

本发明是通过如下技术方案实现的：

一种基于多任务约束的PET图像感兴趣区域增强重建方法，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：