[发明专利]基于三域混合的SPET重建方法、装置、终端及介质

说明书

本申请提供基于三域混合的SPET重建方法、装置、终端及介质，用于获取低剂量PET图像，通过去噪网络在投影域对所述低剂量PET图像的正弦图进行去噪处理后得到对应的去噪正弦图；根据所述去噪正弦图得到对应的去噪后的低剂量PET图像，并通过重建网络在图像域和频域对所述去噪后的低剂量PET图像进行SPET重建，以得到SPET重建图像。本发明统筹了投影域、图像域和频域的三域混合，在三域混合的基础上进行SPET图像重建，充分发挥了各域处理图像的优势。与一些传统的SPET图像重建算法相比，经本发明重建的SPET图像在PSNR峰值信噪比、SSIM结构相似性及NMSE归一化均方误差等指标上的表现明显更为优异。

技术领域

本申请涉及图像重建技术领域，特别是涉及基于三域混合的SPET重建方法、装置、终端及介质。

背景技术

正电子发射断层扫描(PET)作为一种先进的核成像技术，能够敏感、直观地呈现人体代谢过程，在许多疾病(如肿瘤、阿尔茨海默病)的早期诊断中有着重要应用。然而，由于PET成像过程中需要向人体注射足够剂量(标准剂量)的放射性核素，这不可避免的带来了辐射危害，即使在临床中遵循“As Low As Reasonably Achievable(ALARA)”原则(即在满足诊断需要的前提下注射尽可能低剂量的放射性核素)，PET成像的辐射危害对于孕妇和婴幼儿仍然是不可接受的。为了降低PET成像的辐射危害，一种可行的方法是设计先进的重建算法从低剂量PET中重建标准剂量PET。

在过去的几十年里，已经有一些重建标准剂量PET图像的方法被提了出来，从技术上可以分为两大类，传统方法和基于深度学习的方法。其中传统方法利用随机森林或稀疏学习算法进行从低剂量PET(LPET)到标准剂量PET(SPET)的体素水平估计。这类方法可以取得稳定且不错的结果，但是通常是半自动的比较耗时。近些年，由于神经网络在图像处理任务中无可替代的优势，人们逐渐将注意力集中到了基于深度学习的方法上。这类方法通常利用神经网络建立一个端到端的框架，学习从LPET到SPET的映射。

然而，以往的研究通常只在单个域(如图像域)中进行SPET重建，这种重建过于单一，无法兼具图像域、投影域、频域等多域的优势。

发明内容

鉴于以上所述现有技术的缺点，本申请的目的在于提供基于三域混合的SPET重建方法、装置、终端及介质，用于解决基现有的图像重建方式过于单一，无法兼具图像域、投影域、频域等多域的优势的技术问题。

为实现上述目的及其他相关目的，本申请的第一方面提供一种基于三域混合的SPET重建方法，包括：获取低剂量PET图像，通过去噪网络在投影域对所述低剂量PET图像的正弦图进行去噪处理后得到对应的去噪正弦图；根据所述去噪正弦图得到对应的去噪后的低剂量PET图像，并通过重建网络在图像域和频域对所述去噪后的低剂量PET图像进行SPET重建，以得到SPET重建图像。

于本申请的第一方面的一些实施例中，所述去噪正弦图的获取过程包括：采用残差学习网络作为所述去噪网络，将所述低剂量PET图像的正弦图输入所述残差学习网络后得到残差正弦图；将所述残差正弦图与所述低剂量PET图像的正弦图叠加得到所述去噪正弦图。

于本申请的第一方面的一些实施例中，所述残差学习网络嵌有Transformer模块，以捕获所述低剂量PET图像的正弦图分别在内容域和风格域的长程信息。

于本申请的第一方面的一些实施例中，所述重建网络包括编码器和解码器；所述编码器中的上采样被替换为小波变换分析，所述解码器中的下采样被替换为逆小波变换分析，以通过小波变换分析/逆小波变换分析捕获特征图的频率信息和位置信息。

于本申请的第一方面的一些实施例中，所述重建网络对所述去噪后的低剂量PET图像进行SPET重建的过程包括：所述编码器接收所述去噪后的低剂量PET图像，对其进行小波变换分析及图像语义分割后得到对应的结果图像；将各所述结果图像输入解码器中，对其进行逆小波变换分析及语音语义分割后得到SPET重建图像。