CN105678821B - 一种基于自编码器图像融合的动态pet图像重建方法 - Google Patents

一种基于自编码器图像融合的动态pet图像重建方法 Download PDF

Info

Publication number
CN105678821B
CN105678821B CN201610018749.8A CN201610018749A CN105678821B CN 105678821 B CN105678821 B CN 105678821B CN 201610018749 A CN201610018749 A CN 201610018749A CN 105678821 B CN105678821 B CN 105678821B
Authority
CN
China
Prior art keywords
pet
self
image
encoding encoder
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610018749.8A
Other languages
English (en)
Other versions
CN105678821A (zh
Inventor
刘华锋
王祎乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201610018749.8A priority Critical patent/CN105678821B/zh
Publication of CN105678821A publication Critical patent/CN105678821A/zh
Application granted granted Critical
Publication of CN105678821B publication Critical patent/CN105678821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine (AREA)

Abstract

本发明公开了一种基于自编码器图像融合的动态PET图像重建方法，该方法借鉴了机器学习中集成学习的思想，将MLEM算法看成弱分类器，通过对不同弱分类器的集成获得一个强分类器，提升PET重建效果；本发明对已有的MLEM算法进行改进，通过自编码器的结构对不同迭代次数重建结果进行图像融合工作，从而在全局上获得更优的重建结果。与现有的重建方法相比，本发明取得了更好的重建效果。

Description

一种基于自编码器图像融合的动态PET图像重建方法
技术领域
本发明属于PET成像技术领域，具体涉及一种基于自编码器图像融合的动态PET图像重建方法。
背景技术
正电子发射断层成像(Positron Emission Tomography，PET)是核医学领域比较先进的临床检查影像技术，其基本原理是：将一些短寿命的放射性物质，如18F、11C标记到人体代谢中的一些必须物质中，如蛋白质，葡萄糖，核酸等，通过这些物质的代谢来反映人体状况，达到诊断的目的。
在代谢过程中，放射性物质的衰变会产生正电子，一个正电子在飞行一段距离后遇到电子会发生湮灭，产生一对方向相反的能量为511KeV的光子，这对光子可以通过高灵敏度的探测器进行捕捉，进而得到发射数据。在得到了发射数据之后，再通过对其重建得到原始状态分布图像。
PET图像的质量与重建算法密切相关，传统的重建方法包括基于Radon变换的滤波反投影(filtered back projection，FBP)重建方法，近年来，基于统计概率先验知识的方法被不断提出，典型的包括最大似然期望最大法(maximum likelihood-expectationmaximization，MLEM)和有序子集最大期望(ordered subsets expectationmaximization)，它们从一个初始值出发，通过统计迭代的方法不断求解出两个或者多个隐含变量，进而得到逼近于真值的解。
然而，MLEM方法也并非能获得准确的重建结果，由于问题的病态性，所得的结果与迭代次数密切相关。迭代次数过低，求得的解不够精确，具体表现为整个图像较模糊；迭代次数过高，则整个重建图像会出现较多的噪声。如何选取合适的参数成为研究的一个问题。
发明内容
针对现有技术所存在的上述技术问题，本发明提供了一种基于自编码器图像融合的动态PET图像重建方法，能够通过融合不同MLEM重建结果以及动态PET图像相邻帧之间的有效信息获得更高质量的PET重建图像。
一种基于自编码器图像融合的动态PET图像重建方法，包括如下步骤：
(1)利用探测器对注入有放射性物质的生物组织进行探测，连续采集得到对应不同时刻的多帧符合计数向量作为训练集；
(2)对于训练集中的任一帧符合计数向量，根据PET成像原理通过MLEM算法估计得到对应该帧在各关键迭代次数下的PET浓度分布图像，然后对估计得到的PET浓度分布图像进行分块，进而根据PET浓度分布图像的分块数据组建得到多组训练样本；
(3)构建由多个自编码器累加而成的神经网络模型，进而利用所述的训练样本对该神经网络模型进行训练，并最终确立得到PET图像重建模型；
(4)根据步骤(1)连续采集得到对应不同时刻的多帧符合计数向量作为测试集；然后根据步骤(2)通过估计得到对应测试集中每一帧符合计数向量在各关键迭代次数下的PET浓度分布图像，进而对估计得到的PET浓度分布图像进行分块；最后将PET浓度分布图像的分块数据输入所述的PET图像重建模型中，从而输出得到对应各帧的PET浓度重建图像。
所述的PET成像原理基于以下关系式：
yi＝Gxi+ei
其中：yi为第i帧符合计数向量，xi为第i帧PET浓度分布图像，ei为第i帧对应的系统噪声向量，G为系统矩阵，表征了发射光子被探测器接收的概率，其由探测器的固有特性所决定，受探测器结构、探测效率、衰减、死时间等因素的影响，i为自然数且1≤i≤N，N为训练集中符合计数向量的帧数。
所述的步骤(2)中对估计得到的PET浓度分布图像进行分块的具体方法为：对于PET浓度分布图像中的任一体素，从PET浓度分布图像中截取以该体素为中心大小为n×n的图块作为一组分块数据，依此遍历PET浓度分布图像中的所有体素，得到M组分块数据，M为PET浓度分布图像的体素总个数，n为大于1的自然数。
每组训练样本包括输入量和输出量，所述的输入量包括通过估计得到的对应训练集中第i-p帧至第i+p帧符合计数向量yi-p～yi+p在各关键迭代次数下的所有PET浓度分布图像的第j组分块数据，所述的输出量为第i帧符合计数向量yi所对应PET浓度真值图像的第j组分块数据；p为大于0的自然数，j为自然数且1≤j≤M。
所述的自编码器由输入层、隐藏层和输出层组成；其中，前一个自编码器的隐藏层为后一个自编码器的输入层；对于任一自编码器，其隐藏层的神经元个数比输入层的神经元个数少。
所述自编码器的函数模型如下：
h＝σ(wt+b)
z＝σ(w'h+b')
其中：t、h和z分别为自编码器的输入层、隐藏层和输出层，w和b均为输入层与隐藏层之间的模型参数，w'和b'均为隐藏层与输出层之间的模型参数，σ(s)为神经元函数且s为神经元函数σ(s)的自变量。
所述的步骤(3)中对神经网络模型进行训练的具体方法如下：
对于神经网络模型中的第一个自编码器，以训练样本的输入量作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；
对于神经网络模型中除第一个和最后一个以外的任一自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；
对于神经网络模型中的最后一个自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使训练样本的输出量与该自编码器输入层的损失函数L'最小为目标，通过反向传播法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数。
所述的损失函数L和L'的表达式如下：
L＝||z-t||2 L'＝||x-t||2
其中：x为训练样本的输出量。
所述的步骤(4)中将PET浓度分布图像的分块数据输入PET图像重建模型中从而输出得到对应各帧的PET浓度重建图像，具体过程如下：
对于测试集中的第k帧符合计数向量yk，首先将通过估计得到的对应测试集中第k-p帧至第k+p帧符合计数向量yk-p～yk+p在各关键迭代次数下的所有PET浓度分布图像的第j组分块数据输入PET图像重建模型中，从而输出得到对应第j组的分块重建数据；然后将该分块重建数据中所有体素的高斯加权平均值作为对应第k帧PET浓度重建图像的第j个体素值；依此遍历扫描输入每组分块数据即得到对应第k帧的PET浓度重建图像；其中：p为大于0的自然数，k为自然数且1≤k≤K，K为测试集中符合计数向量的帧数，j为自然数且1≤j≤M；
根据上述遍历测试集中的各帧符合计数向量，从而得到对应各帧的PET浓度重建图像。
本发明PET图像重建方法借鉴了机器学习中集成学习的思想，将MLEM算法看成弱分类器，通过对不同弱分类器的集成获得一个强分类器，提升PET重建效果；本发明对已有的MLEM算法进行改进，通过自编码器的结构对不同迭代次数重建结果进行图像融合工作，从而在全局上获得更优的重建结果。与现有的重建方法相比，本发明取得了更好的重建效果。
附图说明
图1为本发明基于自编码器图像融合的PET图像重建模型的框架示意图。
图2(a)为胸腔模拟数据第二帧PET真值图像。
图2(b)为基于胸腔模拟数据第二帧迭代次数为10采用MLEM方法重建的PET图像。
图2(c)为基于胸腔模拟数据第二帧迭代次数为50采用MLEM方法重建的PET图像。
图2(d)为基于胸腔模拟数据第二帧迭代次数为100采用MLEM方法重建的PET图像。
图2(e)为基于胸腔模拟数据采用本发明的第二帧PET重建图像。
图3(a)为计数率为5×104下人脑模拟数据第二帧PET真值图像。
图3(b)为基于人脑模拟数据第二帧迭代次数为10采用MLEM方法重建的PET图像。
图3(c)为基于人脑模拟数据第二帧迭代次数为50采用MLEM方法重建的PET图像。
图3(d)为基于人脑模拟数据第二帧迭代次数为100采用MLEM方法重建的PET图像。
图3(e)为基于人脑模拟数据采用本发明的第二帧PET重建图像。
图4(a)为基于计数率为1×105下的人脑模拟数据第二帧迭代次数为10采用MLEM方法重建的PET图像。
图4(b)为基于计数率为1×105下的人脑模拟数据第二帧迭代次数为50采用MLEM方法重建的PET图像。
图4(c)为基于计数率为1×105下的人脑模拟数据第二帧迭代次数为100采用MLEM方法重建的PET图像。
具体实施方式
为了更为明确地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于自编码器图像融合的动态PET图像重建方法，具体实施步骤如下：
S1.初始化帧数N，迭代次数个数M，自编码层数S，每层的节点数，分块大小；
S2.对每个xi，i＝i1,i2,…iN，模拟出动态PET发射数据yi；
S3.根据MLEM算法重建出yi对应的迭代次数为k的重建结果，k＝k1,k2…kM；
S4.如图1所示，将重建结果的分块作为自编码器图像第一层，真值作为最后一层，利用反向传播算法训练出参数W，W’，b，b’；
S5.给定新的发射数据y时，根据MLEM算法重建出y对应的迭代次数为k的重建结果，k＝k1,k2…kM；
S6.将重建结果的分块作为自编码器图像第一层，根据训练好的参数W，W’，b，b’一直计算至最后一层；
S7.将最后一层取高斯加权平均作为对应分块中心的最终预测值；
S8.扫描至另一分块，重复S6至S8直至所有分块扫描完毕则得到完整重建图像。
以上过程中的MLEM算法被Lange和Carson提出用于迭代解决下式：
g＝A·f
其中：g是正弦图组成的列向量，A是给定的系统矩阵，f是要求的重建图像。
迭代重建法基于下式：
给定初始值f(0)，之后得到f(1)，f(2)…当迭代次数到达后终止迭代，最终的f即为重建结果。
以上步骤中的反向传播算法基于Rumelhart,David E,Hinton等发表的文献“Learning representation by back propagating errors”，其基本思想是利用残差表示损失函数的梯度，然后利用梯度下降法求得最优参数。
以下我们采用胸腔和人脑模拟数据验证本发明的有效性。本实验运行环境为：4G内存，2.29GHz主频，64位操作系统，CPU为intel i5。
主要评价指标包括信噪比SNR，偏差Bias，方差Variance：
其中ui,分别代表估计像素值，真实像素值和平均估计像素值。
图2和图3分别展示了胸腔数据和人脑数据下，本发明的重建结果与不同迭代次数下的MLEM重建结果的对比。从图4中可以看见MLEM算法在低迭代次数下边缘不清晰，高迭代次数下噪声偏多，本发明的重建结果较好地解决了这两个问题。表1和表2给出了具体指标对比：
表1
表2
为了验证本发明的鲁棒性，实验选取了另一组计数率下的发射数据作为对比，一般来说，计数率越高，重建效果越好；本发明选取了5×104和1×105计数率的数据做对比。表2展示的是5×104计数率下本发明方法的重建结果指标，表3展示的是1×105计数率下MLEM方法的重建结果指标，对比可得，本发明方法在较低计数率的情况下仍然能取得较好的重建效果。
表3
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (7)

1.一种基于自编码器图像融合的动态PET图像重建方法，包括如下步骤：
(1)利用探测器对注入有放射性物质的生物组织进行探测，连续采集得到对应不同时刻的多帧符合计数向量作为训练集；
(2)对于训练集中的任一帧符合计数向量，根据PET成像原理通过MLEM算法估计得到对应该帧在各关键迭代次数下的PET浓度分布图像，然后对估计得到的PET浓度分布图像进行分块：即对于PET浓度分布图像中的任一体素，从PET浓度分布图像中截取以该体素为中心大小为n×n的图块作为一组分块数据，依此遍历PET浓度分布图像中的所有体素，得到M组分块数据，M为PET浓度分布图像的体素总个数，n为大于1的自然数；
进而根据PET浓度分布图像的分块数据组建得到多组训练样本，每组训练样本包括输入量和输出量，所述的输入量包括通过估计得到的对应训练集中第i-p帧至第i+p帧符合计数向量yi-p～yi+p在各关键迭代次数下的所有PET浓度分布图像的第j组分块数据，所述的输出量为第i帧符合计数向量yi所对应PET浓度真值图像的第j组分块数据；p为大于0的自然数，i为自然数且1≤i≤N，N为训练集中符合计数向量的帧数，j为自然数且1≤j≤M；
(3)构建由多个自编码器累加而成的神经网络模型，进而利用所述的训练样本对该神经网络模型进行训练，并最终确立得到PET图像重建模型；
(4)根据步骤(1)连续采集得到对应不同时刻的多帧符合计数向量作为测试集；然后根据步骤(2)通过估计得到对应测试集中每一帧符合计数向量在各关键迭代次数下的PET浓度分布图像，进而对估计得到的PET浓度分布图像进行分块；最后将PET浓度分布图像的分块数据输入所述的PET图像重建模型中，从而输出得到对应各帧的PET浓度重建图像。
2.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的PET成像原理基于以下关系式：
yi＝Gxi+ei
其中：yi为第i帧符合计数向量，xi为第i帧PET浓度分布图像，ei为第i帧对应的系统噪声向量，G为系统矩阵，i为自然数且1≤i≤N，N为训练集中符合计数向量的帧数。
3.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的自编码器由输入层、隐藏层和输出层组成；其中，前一个自编码器的隐藏层为后一个自编码器的输入层；对于任一自编码器，其隐藏层的神经元个数比输入层的神经元个数少。
4.根据权利要求3所述的动态PET图像重建方法，其特征在于：所述自编码器的函数模型如下：
h＝σ(wt+b)
z＝σ(w'h+b')
其中：t、h和z分别为自编码器的输入层、隐藏层和输出层，w和b均为输入层与隐藏层之间的模型参数，w'和b'均为隐藏层与输出层之间的模型参数，σ(s)为神经元函数且s为神经元函数σ(s)的自变量。
5.根据权利要求4所述的动态PET图像重建方法，其特征在于：所述的步骤(3)中对神经网络模型进行训练的具体方法如下：
对于神经网络模型中的第一个自编码器，以训练样本的输入量作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；
对于神经网络模型中除第一个和最后一个以外的任一自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使该自编码器输出层与输入层的损失函数L最小为目标，通过梯度下降法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数；
对于神经网络模型中的最后一个自编码器，以前一个自编码器的隐藏层作为该自编码器的输入层，使训练样本的输出量与该自编码器输入层的损失函数L'最小为目标，通过反向传播法求解出该自编码器输入层与隐藏层之间以及隐藏层与输出层之间的模型参数。
6.根据权利要求5所述的动态PET图像重建方法，其特征在于：所述的损失函数L和L'的表达式如下：
L＝||z-t||2 L'＝||x-t||2
其中：x为训练样本的输出量。
7.根据权利要求1所述的动态PET图像重建方法，其特征在于：所述的步骤(4)中将PET浓度分布图像的分块数据输入PET图像重建模型中从而输出得到对应各帧的PET浓度重建图像，具体过程如下：
对于测试集中的第k帧符合计数向量yk，首先将通过估计得到的对应测试集中第k-p帧至第k+p帧符合计数向量yk-p～yk+p在各关键迭代次数下的所有PET浓度分布图像的第j组分块数据输入PET图像重建模型中，从而输出得到对应第j组的分块重建数据；然后将该分块重建数据中所有体素的高斯加权平均值作为对应第k帧PET浓度重建图像中的第j个体素值；依此遍历扫描输入每组分块数据即得到对应第k帧的PET浓度重建图像；其中：p为大于0的自然数，k为自然数且1≤k≤K，K为测试集中符合计数向量的帧数，j为自然数且1≤j≤M；
根据上述遍历测试集中的各帧符合计数向量，从而得到对应各帧的PET浓度重建图像。
CN201610018749.8A 2016-01-12 2016-01-12 一种基于自编码器图像融合的动态pet图像重建方法 Active CN105678821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610018749.8A CN105678821B (zh) 2016-01-12 2016-01-12 一种基于自编码器图像融合的动态pet图像重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610018749.8A CN105678821B (zh) 2016-01-12 2016-01-12 一种基于自编码器图像融合的动态pet图像重建方法

Publications (2)

Publication Number Publication Date
CN105678821A CN105678821A (zh) 2016-06-15
CN105678821B true CN105678821B (zh) 2018-08-07

Family

ID=56300180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610018749.8A Active CN105678821B (zh) 2016-01-12 2016-01-12 一种基于自编码器图像融合的动态pet图像重建方法

Country Status (1)

Country Link
CN (1) CN105678821B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106887025B (zh) * 2017-01-16 2019-06-11 浙江大学 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法
CN108550172B (zh) * 2018-03-07 2020-05-19 浙江大学 一种基于非局部特性和全变分联合约束的pet图像重建方法
CN109584324B (zh) * 2018-10-24 2022-12-06 南昌大学 一种基于自动编码器网络的正电子发射型计算机断层显像(pet)重建方法
CN109785401B (zh) * 2018-12-12 2021-02-26 南京航空航天大学 一种用于pet图像的快速重建方法
CN110264537B (zh) * 2019-06-13 2023-07-18 上海联影医疗科技股份有限公司 Pet图像重建方法、系统、可读存储介质和设备
CN112285664B (zh) * 2020-12-18 2021-04-06 南京信息工程大学 一种雷达-飞行器体系对抗仿真置信度评估方法
CN112862672B (zh) * 2021-02-10 2024-04-16 厦门美图之家科技有限公司 刘海生成方法、装置、计算机设备和存储介质
CN113436743B (zh) * 2021-06-30 2023-06-23 平安科技（深圳）有限公司 基于表示学习的多结局疗效预测方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101627919A (zh) * 2009-08-20 2010-01-20 浙江大学 有限采样角度下基于卡尔曼滤波的pet浓度重建方法
CN102938154A (zh) * 2012-11-13 2013-02-20 浙江大学 一种基于粒子滤波的动态pet图像重建方法
CN103400403A (zh) * 2013-07-30 2013-11-20 浙江大学 一种pet浓度与衰减系数的同时重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11058371B2 (en) * 2013-10-30 2021-07-13 The Board Of Trustees Of The Leland Stanford Junior University Simultaneous attenuation and activity reconstruction for positron emission tomography

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101627919A (zh) * 2009-08-20 2010-01-20 浙江大学 有限采样角度下基于卡尔曼滤波的pet浓度重建方法
CN102938154A (zh) * 2012-11-13 2013-02-20 浙江大学 一种基于粒子滤波的动态pet图像重建方法
CN103400403A (zh) * 2013-07-30 2013-11-20 浙江大学 一种pet浓度与衰减系数的同时重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Novel Method to Improve Image Quality for 2-D Small Animal PET Reconstruction by Correcting a Monte Carlo-Simulated System Matrix Using an Artificial Neural Network;Kuan-Hao Su 等;《IEEE TRANSACTIONS ON NUCLEAR SCIENCE》;20090630;第56卷(第3期);第704-713页 *
PET贝叶斯神经网络重建算法;龚杏等;《浙江大学学报(工学版)》;20030930;第37卷(第5期);第543-546页 *

Also Published As

Publication number Publication date
CN105678821A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105678821B (zh) 一种基于自编码器图像融合的动态pet图像重建方法
US11887221B2 (en) Systems and methods for image correction in positron emission tomography
US10765382B2 (en) Method for mixed tracers dynamic PET concentration image reconstruction based on stacked autoencoder
CN104700438B (zh) 图像重建方法及装置
CN109584254A (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN109009179B (zh) 基于深度置信网络的相同同位素标记双示踪剂pet分离方法
CN107203989A (zh) 基于全卷积神经网络的端对端胸部ct图像分割方法
CN106204674B (zh) 基于结构字典和动力学参数字典联合稀疏约束的动态pet图像重建方法
CN109993808B (zh) 一种基于dsn的动态双示踪pet重建方法
US11508101B2 (en) Dynamic dual-tracer PET reconstruction method based on hybrid-loss 3D convolutional neural networks
CN103985099B (zh) 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN104657950B (zh) 一种基于Poisson TV的动态PET图像重建方法
CN105894550B (zh) 一种基于tv和稀疏约束的动态pet图像和示踪动力学参数同步重建方法
CN106491151A (zh) Pet图像获取方法及系统
CN108550172B (zh) 一种基于非局部特性和全变分联合约束的pet图像重建方法
CN107133549A (zh) Ect运动门控信号获取方法及ect图像重建方法
CN102831627A (zh) 一种基于gpu多核并行处理的pet图像重建方法
CN106127825B (zh) 一种基于广义惩罚加权最小二乘的x射线ct图像重建方法
CN109636869A (zh) 基于非局部全变分和低秩约束的动态pet图像重建方法
CN109903356A (zh) 基于深度多重解析网络的缺失ct投影数据估计方法
WO2023134030A1 (zh) 一种基于流模型的pet系统衰减校正方法
CN110197516A (zh) 一种基于深度学习的tof-pet散射校正方法
Feng et al. Rethinking PET image reconstruction: ultra-low-dose, sinogram and deep learning
Tobon-Gomez et al. Automatic construction of 3D-ASM intensity models by simulating image acquisition: Application to myocardial gated SPECT studies
Xie et al. Deep-Learning-Based Few-Angle Cardiac SPECT Reconstruction Using Transformer

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant