申请/专利权人：暨南大学

申请日：2023-12-26

公开（公告）日：2024-04-05

公开（公告）号：CN117830373A

主分类号：G06T7/593

分类号：G06T7/593;G06T7/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开一种基于光滑高阶各向同性全变分正则化与加速预条件邻近梯度算法APPGA的低剂量高质量PET图像重建方法，该方法结合了多种技术，包括邻近梯度方法、广义Nesterov动量技术和预条件技术，旨在低剂量条件下快速重建出高质量PET图像。与传统算法相比，APPGA具有提高图像质量、加快重建速度和减少噪声等优势，有望在医学影像领域提供更快速、更高质量的PET图像，促进疾病诊断和治疗的发展。

主权项：1.一种基于光滑高阶各向同性全变分正则化与加速预条件邻近梯度算法的低放射示踪剂量高质量PET图像重建方法，其特征在于，具体实现过程为：S101根据PET成像机制以及仪器参数，获得背景噪声探测器接收到的光子对投影数据PET图像重建的Poisson模型可表示为：g＝PossionAf+γ，其中Possionx表示期望为x的泊松分布随机向量；表示所要求解的示踪剂分布图；S102基于步骤S101建立光滑高阶各向同性全变分SHOITV正则化PET图像重建模型，即带有SHOITV正则化项的PET图像重建模型，该模型表示为： F为目标函数的保真项，为SHOITV正则化项，ι为非负约束指示函数项；S103求解所提出PET图像重建模型；引入具有高收敛阶的加速预条件邻近梯度算法APPGA，其迭代格式如下所示： 由于故上式写为： 其中fk+1是指APPGA进行了k步迭代后所生成的PET重建图像； 表示PET图像重建模型中保真项F关于的梯度，即 表示PET图像重建模型中正则项关于的梯度，即预条件矩阵的对角元均为正数，具体构造为： θk为动量参数，θk的定义为： 为了保证APPGA的收敛性与收敛阶，预条件矩阵P与动量参数θk的设置需要满足的条件如下i和ii：i其中pmax为预条件矩阵P最大的对角元，L为的Lipschitz常数；iiω∈0,1]，当ω∈0,1时，a∈0,+∞；当ω＝1时，S104初始化f0和f1，利用APPGA直接迭代得出完成了k步迭代的重建图像fk+1。

全文数据：

权利要求：

百度查询： 暨南大学 基于加速预条件邻近梯度算法的PET图像重建方法

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