基于深度学习的 PET 图像处理方法
技术领域
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
PET(Positron Emission Tomography,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。
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.Leahy and J.Qi“Statistical
approachesin quantitative positron emission tomography”Statistics and
Computing,vol.10,pp. 147-165,2000 公开了一种传统的迭代重建算法(最大似然期
望最大化)随着迭代次数的增加,图像偏差减小,但是噪声会显著增大。为了降
低 高 迭 代 次 数 图 像 的 噪 声 , 临 床 中 会 对 重 建 图 像 进 行 滤 波 后 处 理 文 献
[2]J.Dutta,R.M.Leahy,and Q.Li “Non-local meansdenoising of dynamic PET
images”PLoS ONE,vol.8,no.12,pp.e81390,2013 公开了一种滤波后处理方法,但是,
它可能使得图像的重要特征(如器官和病变的边界)变平滑和模糊,从而导致偏差
的增加和对比度的降低。文献[3]P.J.Green “Bayesianreconstructions from emission
tomography data using a modified EM algorithm”IEEE
Trans.Med.Imaging,vol.9,pp.84-93,1990 公开了另一种传统的迭代重建方法是最大
后验算法,其通过加入先验信息来降低重建图像的噪声,然而该算法降噪的同时
却造成图像细节的丢失。
近年来,深度学习在医学图像领域迅速发展,神经网络已被证明是用于医学
图像分析强有力的工具,例如降噪、分割、配准和诊断等。然而神经网络的应用
多 集 中 于 单 个 输 入 的 医 学 图 像 , 如 文 献 [4]I.R.Duffy,A.J.Boyle,and N.Vasdev
“Improving PET imagingacquisition and analysis with machine learning:a narrative
review with focuson Alzheimer’s disease and oncology”Artificial Intelligence in
MolecularImaging,vol.18,pp. 1-11,2019 提供了一种深度学习处理图像的方法方法,
深度学习虽然降低了图像的噪声,却减小了各器官的对比度并丢失了图像的细节
信息,从而增大图像的偏差。
另外通过专利检索发现,检索到以下两篇与本发明技术较为接近的两篇专利:
专利一、专利号:CN11784788A 申请号:CN202010501497.0 专利名称:一种
基于深度学习的 PET 快速成像方法和系统;
专利二、专利号:CN11867474A 申请号:CN201880090666.7 专利名称:使用
深度学习根据低剂量 PET 成像进行全剂量 PET 图像估计一种基于深度学习的 PET
快速成像方法和系统;
专利一和专利二都是单输入的深度学习方法,无法同时利用非滤波和滤波后
的重建图像信息,而且需要大量的数据进行网络训练。
总结上述现有技术存在的缺陷:
1.传统方法:(1)最大似然期望最大化(MLEM)迭代重建+滤波:MLEM 重建随
着迭代次数的增加,噪声显著增大。高斯或非局部均值滤波处理后,虽然可以减
小图像的噪声,却降低了图像的对比度;(2)最大后验(MAP)迭代重建:在迭代重