申请/专利权人：浙江大学

申请日：2021-07-23

公开（公告）日：2023-09-01

公开（公告）号：CN113476064B

主分类号：A61B6/00

分类号：A61B6/00

优先权：

专利状态码：有效-授权

法律状态：2023.09.01#授权;2021.10.26#实质审查的生效;2021.10.08#公开

摘要：本发明公开了一种基于BCD‑ED的单扫描双示踪剂PET信号分离方法，该方法将传统迭代重建算法与深度学习结合，能够利用数据驱动精确地从混合的双示踪图像中分离出两种单一的示踪剂PET图像。本发明采用的BCD‑ED框架具有三个模块，分别为重建、去噪和分离模块，利用极大似然估计算法对PET采集到的混合示踪剂sinogram进行重建，并使用低秩正则化模型对重建图像进行去噪，更好地约束重建混合浓度图的形状，噪声更小；进而使用编解码模型学习混合示踪剂浓度图和两个全剂量单示踪剂之间的映射关系，并要求对单示踪剂浓度图的细节信息也能较为清晰地恢复。

主权项：1.一种基于BCD-ED的单扫描双示踪剂PET信号分离方法，包括如下步骤：1对注入混合双示踪剂的生物组织进行一次动态PET扫描，得到混合双示踪剂对应的PET动态正弦图序列y；所述混合双示踪剂由两种同位素标记的示踪剂I和示踪剂II组成；2分别向同一生物组织注射示踪剂I和示踪剂II，并分开进行动态PET扫描，得到示踪剂I和示踪剂II对应的PET动态正弦图序列yI和yII；3利用PET重建算法计算出yI和yII所对应的PET动态图像序列和并将与叠加后得到混合双示踪剂的PET动态图像序列真值xture；4根据上述步骤重复执行多次得到大量样本，并将这些样本分为训练集和测试集，每组样本包含y、yI、yII、以及xture；5构建一个由重建模块、去噪模块以及分离模块组成的BCD-ED网络，利用训练集样本对BCD-ED网络进行训练，得到动态双示踪PET信号的重建-分离联合模型；所述重建模块采用最大似然估计算法求解输入样本中y对应的PET动态图像序列x，通过加入正则化项以加强重建求解问题的约束，同时在重建求解过程中使用多个神经网络卷积核在不同方向上对x进行卷积以产生稀疏图像Xk，使得其具有低秩属性；所述去噪模块首先将重建模块得到的稀疏图像Xk分解为低秩矩阵Lk和泊松噪声矩阵Wk，然后利用奇异值阈值算法对以下目标函数进行求解； 其中：ck表示第k个卷积核，λk为阈值参数用以控制Lk的稀疏性，β为超参数用以控制图像的平滑程度，K为重建求解过程中所使用的卷积核数量，||||*为核范数；得到： 其中：为ck的逆运算用于去卷积，表示PET动态图像序列x在给定观测数据y情况下的最大化似然函数转换为最小化似然函数负对数得到的估计结果，||||2为2范数，u即为去噪后输出的PET动态图像序列，上标i和i+1表示迭代次数，i为自然数；所述分离模块包括编码和解码两部分，编码部分从输入至输出由下采样块D1、池化层C1、下采样块D2、池化层C2、下采样块D3、池化层C3、下采样块D4依次连接组成，解码部分从输入至输出由上采样块U1、反卷积层E1、上采样块U2、反卷积层E2、上采样块U3、反卷积层E3依次连接组成，其中：所述下采样块D1～D4每一个均包含有依次连接的三层结构：第一层为卷积层，其卷积核大小为3×3，通过卷积核来提取特征；第二层为BatchNorm层，对上一层的输出进行归一化处理；第三层为Relu层，对上一层的输出做激活函数处理；D1～D4分别产生64、128、256、512个Featuremap；所述池化层C1～C3的卷积核大小均为2×2，用于将输入的特征图像大小减半，以降低卷积运算量；所述上采样块U1～U3均包含有依次连接的三层结构：第一层为卷积层，其卷积核大小为3×3，通过卷积核来提取特征；第二层为BatchNorm层，对上一层的输出进行归一化处理；第三层为Relu层，对上一层的输出做激活函数处理；上采样块U3还包含有第四层即卷积核大小为1×1的卷积层，用于将通道数量降低后作为输出结果；U1的输入为D3与D4的输出在channel维度的拼接结果，U2的输入为D2与E1的输出在channel维度的拼接结果，U3的输入为D1与E2的输出在channel维度的拼接结果，U1～U3分别产生256、128、64个Featuremap；所述反卷积层E1～E3用于将输入的特征图像大小增倍，还原Featuremap的尺寸大小；6将测试集样本逐一输入至上述联合模型中，即可重建得到混合双示踪剂的PET动态图像序列，进而对其去噪后分离获得对应示踪剂I和示踪剂II的PET动态图像序列SI和SII。

全文数据：

权利要求：

百度查询： 浙江大学 基于BCD-ED的单扫描双示踪剂PET信号分离方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD