基于深度学习的PET图像处理方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112991477A(43)申请公布日2021.06.18(21)申请号202110116659.3G06N3/08(2006.01)(22)申请日2021.01.28(71)申请人明峰医疗系统股份有限公司地址310016浙江省杭州市经济技术开发区益丰路129号5幢1-2层(72)发明人王鑫辉叶宏伟(74)专利代理机构绍兴市越兴专利事务所(普通合伙)33220代理人蒋卫东(51)Int.Cl.G06T11/00(2006.01)G06T5/00(2006.01)G06T5/20(2006.01)G06T5/50(2006.01)G06N3/04(2006.01)权利要求书1页说明书5页附图2页(54)发明名称基于深度学习的PET图像处理方法(57)摘要本发明提供了一种基于深度学习的PET图像处理方法，涉及医学图像处理和评估技术领域，其采用多输入深度学习的PET图像融合算法，该方法融合了非滤波和滤波后的多幅PET图像信息。通过用低剂量IEC模体和低剂量身体病人数据对算法进行了评估，并与传统非滤波和滤波后的图像进行了比较。通过本发明深度学习图像融合算法处理的PET图像降低了更多噪声的同时提高了图像的对比度，并且保留了图像的细节信息，表明了该算法在临床低剂量PET成像中潜在的临床应用价值。CN112991477ACN112991477A权利要求书1/1页1.一种基于深度学习的PET图像处理方法，其特征在于，包括如下步骤：(1)建立多输入深度学习融合算法的神经网络模型；(2)训练多输入深度学习融合算法的神经网络模型；(3)将非滤波和滤波后的多幅PET图像输入训练好的神经网络模型中进行处理，得到融合图像；所述多输入深度学习融合算法的神经网络模型的架构包括：堆栈编码器、堆栈解码器和残差补偿模块；堆栈编码器包括多个卷积层和ReLU激活函数；堆栈解码器包括多个反卷积层和ReLU激活函数；卷积层与反卷积层相互匹配通过捷径连接，且数量相同，呈对称排列，每一层卷积层或反卷积层后面都有ReLU激活函数。2.如权利要求1所述的基于深度学习的PET图像处理方法，其特征在于：所述非滤波和滤波后的多幅PET图像通过卷积、ReLU激活函数、反卷积、ReLU激活函数、以及复制并相加得到所述融合图像。3.如权利要求1所述的基于深度学习的PET图像处理方法，其特征在于，堆栈编码器表示为：iE(xi)＝ReLU(Wi*xi+bi)i＝0,1...,N,(1)其中N是卷积层的数量，Wi和bi分别表示权重和偏差，*表示卷积运算符，x0是输入图像的提取块，xi(i>0)是前i层网络的提取特征，ReLU(x)＝max(0,x)是激活函数。4.如权利要求3所述的基于深度学习的PET图像处理方法，其特征在于，堆栈解码器表示为：其中M是反卷积层的数量，Wi’和bi’分别表示权重和偏差，表示反卷积运算符，yN＝x是堆叠编码后的输出特征向量，yi(N>i>0)是前i层反卷积网络的重构特征向量，y0是重建的图像块。5.如权利要求1所述的基于深度学习的PET图像处理方法，其特征在于：残差补偿模块通过以下过程进行残差补偿：定义输入图像为I，输出图像为O，对应的残差映射表示为F(I)＝O–I；建立残差映射后，重建原始映射R(I)＝O＝F(I)+I。6.如权利要求4所述的基于深度学习的PET图像处理方法，其特征在于：通过低剂量PET图像和全剂量PET图像之间的损失函数L(D；T)估计卷积层和反卷积层中的参数T＝{Wi,bi,W′i,b′i}，给定一组全剂量和低剂量PET成对的图像块P＝{(X1,Y1),(X2,Y2),…,(Xk,Yk)},其中{Xi}和{Yi}分别表示全剂量和低剂量PET图像块，K是训练样本的总数；损失函数定义为均方误差：2CN112991477A说明书1/5页基于深度学习的PET图像处理方法技术领域[0001]本发明涉及一种基于深度学习的PET图像处理方法，属于医学图像处理和评估技术领域。背景技术[0002]PET(PositronEmissionTomography,正电子发射型断层显像)是现今最先进的大型医疗诊断成像技术之一。PET成像通过注射含有放射性核素的示踪剂观察组织内部分子水平的活性，因此在肿瘤学，心脏病学和神经病学中得到了广泛的应用。然而，由于系统有限的分辨率和本身的固有噪声，PET成像在噪声水平，图像分辨率以及图像细节的保留上受到很大的限制。[0003]现有改善PET图像质量的技术包括传统的迭代重建算法和滤波后处理，以及单个图像输入的深度学习后处理方法。文献[1]R.M.LeahyandJ.Qi“Statisticalapproachesinquantitativepositrone