CN111166368B - 基于预训练gru的单扫描双示踪剂pet信号分离方法 - Google Patents
基于预训练gru的单扫描双示踪剂pet信号分离方法 Download PDFInfo
- Publication number
- CN111166368B CN111166368B CN201911317631.5A CN201911317631A CN111166368B CN 111166368 B CN111166368 B CN 111166368B CN 201911317631 A CN201911317631 A CN 201911317631A CN 111166368 B CN111166368 B CN 111166368B
- Authority
- CN
- China
- Prior art keywords
- tracer
- pet
- tac
- dual
- training
- 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
Links
- 239000000700 radioactive tracer Substances 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000000926 separation method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 25
- 208000004605 Persistent Truncus Arteriosus Diseases 0.000 claims description 19
- 208000037258 Truncus arteriosus Diseases 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 230000009977 dual effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 6
- 239000008280 blood Substances 0.000 abstract description 4
- 210000004369 blood Anatomy 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002347 injection Methods 0.000 abstract description 4
- 239000007924 injection Substances 0.000 abstract description 4
- 238000012905 input function Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000002600 positron emission tomography Methods 0.000 description 54
- 230000002285 radioactive effect Effects 0.000 description 13
- VEXRMMJOMMTPKJ-ZVSIBQGLSA-N 1-methyl-3-[(e)-[(1e)-1-(methylcarbamothioylhydrazinylidene)propan-2-ylidene]amino]thiourea Chemical compound CNC(=S)N\N=C\C(\C)=N\NC(=S)NC VEXRMMJOMMTPKJ-ZVSIBQGLSA-N 0.000 description 6
- UTPYTEWRMXITIN-YDWXAUTNSA-N 1-methyl-3-[(e)-[(3e)-3-(methylcarbamothioylhydrazinylidene)butan-2-ylidene]amino]thiourea Chemical compound CNC(=S)N\N=C(/C)\C(\C)=N\NC(=S)NC UTPYTEWRMXITIN-YDWXAUTNSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010021143 Hypoxia Diseases 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000001146 hypoxic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000008155 medical solution Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
- A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种基于预训练GRU网络的单扫描双示踪剂PET信号分离方法，通过基于回归的预训练GRU网络实现了由同位素标记的双示踪剂PET的信号分离任务，将具有时序信息的PET动态采样重建图以像素点为单位转化为时间活动曲线TAC，作为网络的输入；本发明通过将训练数据与标签值输入搭建的神经网络，学习出混合的双示踪剂PET图像与两个单一示踪剂的PET图像之间点对点的映射关系，整个网络对TAC曲线进行端到端分离；训练网络时首先预训练出干净的TAC曲线，在一定程度上使网络对噪声更加鲁棒，相比于传统方法，本发明方法无需采样血输入函数，且适用于同时注射示踪剂的场景。
Description
技术领域
本发明属于PET成像技术领域，具体涉及一种基于预训练GRU网络的单扫描双示踪剂PET信号分离方法。
背景技术
PET(positron emission tomography，正电子发射断层成像)是一种典型的发射型计算机断层成像技术，对示踪剂灵敏度高，扫描示踪剂的动态变化，可以表征和量化体内组织的功能，从而获得该部位的葡萄糖代谢、血流和乏氧等生理指标，用于诊断早期疾病和观察治疗产生的生理变化。在扫描前需制备具有正电子放射性的同位素，如11C、18F、15O、13N，并用放化标记设备来标记葡萄糖、氨基酸和核酸等作为示踪剂，在被试对象口服或注射后，这些示踪剂进入参与组织器官的生理、生化、新陈代谢过程。
示踪剂包含的正电子放射性核素衰变后，由不稳定态跃迁为基态，并产生正电子，在组织内行进1～3mm后与体内的负电子发生湮灭作用，同时产生相互成180°发射，能量为511KeV的γ光子对，这一对γ光子被探测器环上方向相对的一对探测器所检测，进而利用重建算法恢复出示踪剂在体内的浓度分布情况。
由于单一的示踪剂往往只能提供某一特定的生命活动信息，对于复杂的情况仅靠一种示踪物的分布信息无法准确判断，还需要来自其他示踪物质的辅助信息才能对发生异常的原因进行分析。一方面考虑到每次扫描的成本，另一方面考虑到生物系统的反应也时刻发生着变化：由于来自外界环境的影响、生物体自身状态的改变，在不同时刻的测量结果也会相应地发生变化，因此如果无法同时使用多示踪剂对生物体进行成像，不同的示踪剂之间也无法获得相匹配的信息，甚至还会因为示踪顺序的不同而对生物状态造成影响。因此，对多示踪剂进行单次PET扫描的技术在临床应用中有着重要的意义。
相比于单示踪剂扫描，双示踪剂动态重建图利用两个示踪剂提供的互补信息，得到更加完整的肿瘤状态图，降低肿瘤误判和错失的可能性，引导选择更有效的治疗方案，并且很大程度上减少扫描时间和扫描次数，降低病患的痛苦。
双示踪剂分离最大的困难在于难以区分PET检测到的光子对出自于哪个示踪剂，目前对双示踪剂PET分离方法主要可分为：①基于示踪剂半衰期和动力学参数的不同，结合房室模型进行求解，该方法在实验时需要对示踪剂进行交替注射以获得部分单示踪剂的信息，并采样动脉血输入函数来建立模型，是一种有创且扫描时间相对较长的分离方法。②采用瞬发Gammas的双示踪剂分离技术，从物理层面解决分离问题；在实验中，其中某些示踪剂可多发出一个高能伽马射线的特性，以辅助双示踪剂的信号分离。方法①从本质上来说属于信号分离问题，解决方法广泛，研究相对深入，方法②对示踪剂和探测器的要求较高，研究相对较少。
双示踪剂在临床上有很大的应用潜能，例如用于检测缺氧和血流的[62Cu]ATSM+[62Cu]PTSM，用于检测肿瘤的[18F]FDG+[11C]MET；若想要缩短采样时间，临床上可采用单扫描同时注射的方法，但这会使得大部分现有算法失效，尤其是针对标记相同同位素的双示踪剂上，分离会更加困难。因此在现有的算法基础上，研究扫描时间更短且无创的双示踪剂PET分离方法是很有必要的。
发明内容
鉴于上述，本发明提供了一种基于预训练GRU(Gated Recurrent Unit，门控循环单元)网络的单扫描双示踪剂PET信号分离方法，该方法借助于深度学习这一强大的特征提取工具，能够利用数据驱动精确地从混合的双示踪PET图像中分离出两种单一的示踪剂PET图像。
一种基于预训练GRU网络的单扫描双示踪剂PET信号分离方法，包括如下步骤：
(1)对注入有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正弦图Ydual；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)对分别注入有示踪剂I和示踪剂II的生物组织进行动态PET扫描，得到示踪剂I和示踪剂II对应的PET正弦图YI和YII；
(3)利用PET重建算法计算出Ydual、YI和YII所对应的PET图像序列Xdual、XI和XII，并使XI与XII叠加得到混合双示踪剂的原始PET图像真值序列
(4)根据步骤(1)～(3)重复执行多次，得到大量的PET图像序列Xdual、XI、XII以及
并将这些分为训练集和测试集；
(5)使Xdual、XI、XII以及
去除背景后提取每一像素点的TAC(time-activitycurve，时间放射性曲线)，使训练集中Xdual的TAC作为输入样本，对应XI和XII的TAC作为输出真值，通过对GRU网络进行训练得到双示踪剂PET分离模型；
(6)取测试集中任一Xdual的各TAC逐一输入至上述PET分离模型中，输出得到对应XI和XII中的TAC，进而将这些TAC重构得到对应示踪剂I和示踪剂II的PET图像序列。
进一步地，所述步骤(3)中通过以下公式计算得到混合双示踪剂的原始PET图像真值序列
进一步地，所述步骤(4)中分别从Xdual、XI、XII以及
中取2/3作为训练集，剩余1/3作为测试集。
进一步地，所述步骤(5)中根据以下表达式从Xdual、XI、XII以及
中提取每一像素点的TAC；
其中：
对应为Xdual中第1～n个像素点的TAC，
对应为XI中第1～n个像素点的TAC，
对应为XII中第1～n个像素点的TAC，
为
中第1～n个像素点的TAC，
对应为Xdual中第1～m帧PET图像第i个像素点的示踪剂浓度值，
对应为XI中第1～m帧PET图像第i个像素点的示踪剂浓度值，
对应为XII中第1～m帧PET图像第i个像素点的示踪剂浓度值，
对应为
中第1～m帧PET图像第i个像素点的示踪剂浓度值，i为自然数且1≤i≤n，n为去除背景后PET图像的像素总数，m为PET图像序列的总帧数，T表示转置。
进一步地，所述步骤(5)中对GRU网络进行训练的具体过程如下：
5.1初始化构建一个由输入层、隐藏层和输出层组成的GRU网络，所述隐藏层包含有四层，其中第一、三层为GRU层，第二、四层为线性层，初始化的网络参数包括隐藏层的单元数目、层与层之间的偏置向量和权值矩阵、学习率、激活函数以及最大迭代次数；
5.3对隐藏层进行预训练；
5.4将预训练得到的参数传递给初始化的GRU网络，进而将训练集中Xdual的TAC逐一代入上述GRU网络，计算输出结果与对应真值之间误差函数L并通过梯度下降法对整个网络的参数不断进行更新，直至误差函数L收敛或达到最大迭代次数，从而完成训练得到双示踪剂PET分离模型。
进一步地，所述步骤5.3中利用训练集中Xdual的TAC作为输入对隐藏层中的第一层GRU层和第二层线性层进行预训练，输出干净的TAC曲线。
进一步地，所述步骤5.4中误差函数L的表达式如下：
其中：
为XI中第i个像素点的TAC，
为XII中第i个像素点的TAC，
为
中第i个像素点的TAC，
和
为Xdual中第i个像素点的TAC输入GRU网络后得到对应XI和XII中的两个TAC输出结果，
为Xdual中第i个像素点的TAC输入GRU网络对隐藏层中的第一层GRU层和第二层线性层进行预训练输出得到的TAC曲线，i为自然数且1≤i≤n，n为去除背景后PET图像的像素总数，|| ||2为二范数，α为自定义的权重系数。
进一步地，所述步骤(6)中对于测试集中任一Xdual第i个像素点的TAC，将其输入双示踪剂PET分离模型中，计算得到该像素点关于双示踪剂的TAC输出结果
i为自然数且1≤i≤n，n为去除背景后PET图像的像素总数；
根据上述遍历测试集中Xdual所有像素点的TAC，进而加上背景重构得到对应示踪剂I和示踪剂II的PET图像序列。
本发明通过基于回归的预训练GRU网络实现了由同位素标记的双示踪剂PET的信号分离任务，将具有时序信息的PET动态采样重建图以像素点为单位转化为时间活动曲线TAC，作为网络的输入；GRU网络能较为出色地处理时序信号，在自然语言处理领域中应用广泛，其中特殊的门可以控制时间信息的保留和遗忘，使得分离更加准确。本发明通过将训练数据与标签值输入搭建的神经网络，学习出混合的双示踪剂PET图像与两个单一示踪剂的PET图像之间点对点的映射关系，整个网络对TAC曲线进行端到端分离；训练网络时首先预训练出干净的TAC曲线，在一定程度上使网络对噪声更加鲁棒，相比于传统方法，本发明方法无需采样血输入函数，且适用于同时注射示踪剂的场景。
附图说明
图1为本发明双示踪剂PET信号分离方法的流程示意图。
图2为预训练GRU网络的原理示意图。
图3(a)为Hoffman大脑模板。
图3(b)为zubal胸腔模板。
图4(a)为[18F]FDG第15帧的真实图像。
图4(b)为[11C]FDG第15帧的预测图像。
图4(c)为[11C]MET第15帧的真实图像。
图4(d)为[11C]MET第15帧的预测图像。
图5(a)为[62Cu]ATSM第15帧的真实图像。
图5(b)为[62Cu]ATSM第15帧的预测图像。
图5(c)为[62Cu]PTSM第15帧的真实图像。
图5(d)为[62Cu]PTSM第15帧的预测图像。
具体实施方式
为了更为具体地描述本发明，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。
如图1所示，本发明基于预训练GRU网络的单扫描双示踪剂PET信号分离方法，包括如下步骤：
(1)准备训练集数据。
1.1向生物组织同时注射两种由同位素标记的示踪剂对TracerI+II，并进行一次动态PET扫描，得到混合的双示踪剂PET正弦图Ydual。
1.2向生物组织进行两次单一示踪剂的PET动态扫描，分别得到对应于TracerI和TracerII的PET正弦图
1.3利用PET重建算法恢复出正弦图Ydual、
所对应的放射性示踪剂原始浓度分布图
将
相加得到混合放射性示踪剂原始浓度分布真值图
具体公式如下：
1.4从获得的放射性示踪剂原始浓度分布图
中提取基于像素点的TAC曲线，即将放射性浓度分布矩阵重组，重组后的格式如下：
其中：
表示第i条TAC曲线的第j帧的混合放射性示踪剂浓度，
表示第i条TAC曲线的第j帧的混合放射性示踪剂真实浓度，
和
则分别表示TracerI和TracerII在第i条TAC曲线的第j帧的放射性示踪剂真实浓度。N为去除背景后所得PET图像的总像素点数，J为动态PET采集的总帧数。
(2)准备训练集和测试集数据。
将动态的放射性浓度分布图像按序排列，去除背景后提取每一个像素随时间变化的TAC曲线，其中对应于
的TAC分别取66.7％作为网络的输入和输出标签，记作
(3)搭建基于预训练GRU网络的单扫描双示踪剂PET信号分离网络，如图2所示，此GRU网络共包括一个输入层，四个隐藏层和一个输出层。
(4)将训练集输入此网络进行训练，训练的过程如下：
4.1初始化网络：对GRU网络进行初始化操作，其中包括给出输入层、输出层、隐藏层的层数和单元数目、初始化偏置向量和权值矩阵、设置学习率、激活函数和迭代次数。
4.2将
输入网络进行训练，训练的过程分为两个部分：预训练和整体训练。
4.3预训练：利用隐藏层中的第一层GRU层和第二层线性层对混合有噪声的TAC曲线
进行训练，输出干净的TAC曲线
GRU层和线性层公式如下：
yj＝Wy·hj
其中：hj-1为第j-1帧的输出状态，
为第j帧输入，yj为第j帧输出，rj和zj分别为重置门和更新门，用于控制时间信息的保留和遗忘；训练最开始输入的状态h0，我们对它进行随机初始化，在训练时对第一和第二层的参数进行预训练后再加入第三第四层进行整体训练，在训练M个epoch后结束并保留模型参数，在测试中使用已经训练好的网络对测试集示踪剂进行分离。
4.4整体训练：预训练得到的第一二层参数会传递给一个加入第三层GRU层和第四层线性层的完整网络，这些参数会作为神经网络的初始值参与最后的整体训练；计算输出的预测值
与标签
之间的误差函数Loss，基于Loss利用梯度下降算法对整个网络的权重矩阵进行修正，直到迭代停止，误差函数如下式：
其中：前两项反应了标签与预测值之间的误差，而最后一项则保证第一第二层输出值为干净的TAC，α是一个自定义超参数，用来调节最后一项在整个误差函数中的比重。
以下我们通过模拟实验来验证本发明方法。
①选择模板。
训练数据包含两组不同的示踪剂对，每组示踪剂对采用不同的模板，每一个模板都由不同的感兴趣区域(Region of interest，ROI)构成，不同的感兴趣区域表示不同的生化环境。图3(a)是Hoffman的大脑模板，[18F]FDG+[11C]MET这组示踪剂是采用此模板；图3(b)是zubal胸腔模板，[62Cu]ATSM+[62Cu]PTSM这组示踪剂是采用此模板。
②模拟示踪剂进入体内之后的运动过程。
采用基于动力学参数的三房室模型模拟单一示踪剂和双示踪剂在体内的运动情况，利用动力学微分方程组求解放射性核素衰变后在体内的稳定的浓度分布图。
③模拟PET的扫描过程。
本实验使用Monte Carlo的GATE来对PET系统进行建模，它能够模拟PET的整个采集过程，所有模拟均基于BIOGRAPH SENSATION16-HR扫描仪(Siemens Medical Solutions，USA)的几何结构，该扫描仪由24,336个LSO晶体组成，排列成3个环，直径为82.4cm，视场在水平轴上为58.5cm，在轴向上为16.2cm；将双示踪剂浓度分布真值图输入Monte Carlo系统中，便可以生成对应的动态采样正弦图。
④重建过程。
利用ADMM重建算法对正弦图进行重建，得到模拟的放射性示踪剂对在体内的动态浓度分布。
⑤TAC曲线的获取。
将动态的放射性浓度分布图像按序排列，去除背景后提取每一个像素随时间变化的TAC曲线。
⑥训练过程。
从[18F]FDG+[11C]MET、[62Cu]ATSM+[62Cu]PTSM所对应的TAC曲线中抽出66.7％作为训练数据输入到网络中去，其中单一示踪剂的TAC曲线作为标签为整个网络提供反馈。
⑦测试过程。
用步骤⑥中剩余的33.3％用来验证网络的有效性，图4(a)～图4(b)分别是[18F]FDG的第15帧模拟放射性浓度分布真值图和经过训练的GRU网络得到的预测的放射性浓度分布图，图4(c)～图4(d)分别是[11C]MET的第15帧模拟放射性浓度分布真值图和经过训练的GRU网络得到的预测的放射性浓度分布图。图5(a)～图5(b)分别是[62Cu]ATSM的第15帧模拟放射性浓度分布真值图和经过训练的GRU网络得到的预测的放射性浓度分布图，图5(c)～图5(d)分别是[62Cu]PTSM的第15帧模拟放射性浓度分布真值图和经过训练的GRU网络得到的预测的放射性浓度分布图。
将预测的图像与模拟真实图像对比可以发现搭建的基于预训练GRU网络能够较好地分离同时注射的由同位素标记的双示踪PET信号，且无需采样动态血输入函数，这证实了基于预训练GRU网络在特征提取和信号分离方面的有效性，说明了本方法在双示踪剂分离上无创，以及可缩短扫描时间。
上述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 (4)
1.一种基于预训练GRU网络的单扫描双示踪剂PET信号分离方法，包括如下步骤：
(1)对注入有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正弦图Ydual；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)对分别注入有示踪剂I和示踪剂II的生物组织进行动态PET扫描，得到示踪剂I和示踪剂II对应的PET正弦图YI和YII；
(3)利用PET重建算法计算出Ydual、YI和YII所对应的PET图像序列Xdual、XI和XII，并使XI与XII叠加得到混合双示踪剂的原始PET图像真值序列
(4)根据步骤(1)～(3)重复执行多次，得到大量的PET图像序列Xdual、XI、XII以及
并将这些分为训练集和测试集；
(5)使Xdual、XI、XII以及
去除背景后提取每一像素点的TAC，使训练集中Xdual的TAC作为输入样本，对应XI和XII的TAC作为输出真值，通过对GRU网络进行训练得到双示踪剂PET分离模型；
其中根据以下表达式从Xdual、XI、XII以及
中提取每一像素点的TAC；
其中：
对应为Xdual中第1～n个像素点的TAC，
对应为XI中第1～n个像素点的TAC，
对应为XII中第1～n个像素点的TAC，
为
中第1～n个像素点的TAC，
对应为Xdual中第1～m帧PET图像第i个像素点的示踪剂浓度值，
对应为XI中第1～m帧PET图像第i个像素点的示踪剂浓度值，
对应为XII中第1～m帧PET图像第i个像素点的示踪剂浓度值，
对应为
中第1～m帧PET图像第i个像素点的示踪剂浓度值，i为自然数且1≤i≤n，n为去除背景后PET图像的像素总数，m为PET图像序列的总帧数，T表示转置；
对GRU网络进行训练的具体过程如下：
5.1初始化构建一个由输入层、隐藏层和输出层组成的GRU网络，所述隐藏层包含有四层，其中第一、三层为GRU层，第二、四层为线性层，初始化的网络参数包括隐藏层的单元数目、层与层之间的偏置向量和权值矩阵、学习率、激活函数以及最大迭代次数；
5.2对隐藏层进行预训练，即利用训练集中Xdual的TAC作为输入对隐藏层中的第一层GRU层和第二层线性层进行预训练，输出干净的TAC曲线；
5.3将预训练得到的参数传递给初始化的GRU网络，进而将训练集中Xdual的TAC逐一代入上述GRU网络，计算输出结果与对应真值之间误差函数L并通过梯度下降法对整个网络的参数不断进行更新，直至误差函数L收敛或达到最大迭代次数，从而完成训练得到双示踪剂PET分离模型；
所述误差函数L的表达式如下：
其中：
为XI中第i个像素点的TAC，
为XII中第i个像素点的TAC，
为
中第i个像素点的TAC，
和
为Xdual中第i个像素点的TAC输入GRU网络后得到对应XI和XII中的两个TAC输出结果，
为Xdual中第i个像素点的TAC输入GRU网络对隐藏层中的第一层GRU层和第二层线性层进行预训练输出得到的TAC曲线，i为自然数且1≤i≤n，n为去除背景后PET图像的像素总数，|| ||2为二范数，α为自定义的权重系数；
(6)取测试集中任一Xdual的各TAC逐一输入至上述PET分离模型中，输出得到对应XI和XII中的TAC，进而将这些TAC重构得到对应示踪剂I和示踪剂II的PET图像序列。
2.根据权利要求1所述的单扫描双示踪剂PET信号分离方法，其特征在于：所述步骤(3)中通过以下公式计算得到混合双示踪剂的原始PET图像真值序列
3.根据权利要求1所述的单扫描双示踪剂PET信号分离方法，其特征在于：所述步骤(4)中分别从Xdual、XI、XII以及
中取2/3作为训练集，剩余1/3作为测试集。
4.根据权利要求1所述的单扫描双示踪剂PET信号分离方法，其特征在于：所述步骤(6)中对于测试集中任一Xdual第i个像素点的TAC，将其输入双示踪剂PET分离模型中，计算得到该像素点关于双示踪剂的TAC输出结果
i为自然数且1≤i≤n，n为去除背景后PET图像的像素总数；
根据上述遍历测试集中Xdual所有像素点的TAC，进而加上背景重构得到对应示踪剂I和示踪剂II的PET图像序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911317631.5A CN111166368B (zh) | 2019-12-19 | 2019-12-19 | 基于预训练gru的单扫描双示踪剂pet信号分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911317631.5A CN111166368B (zh) | 2019-12-19 | 2019-12-19 | 基于预训练gru的单扫描双示踪剂pet信号分离方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111166368A CN111166368A (zh) | 2020-05-19 |
| CN111166368B true CN111166368B (zh) | 2021-07-23 |
Family
ID=70650297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911317631.5A Active CN111166368B (zh) | 2019-12-19 | 2019-12-19 | 基于预训练gru的单扫描双示踪剂pet信号分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111166368B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111920436A (zh) * | 2020-07-08 | 2020-11-13 | 浙江大学 | 基于多任务学习三维卷积编解码网络的双示踪剂pet分离方法 |
| US20220335665A1 (en) * | 2021-04-14 | 2022-10-20 | Zhejiang University | Attention mechanism-based low-dose dual-tracer pet reconstruction method |
| CN113476064B (zh) * | 2021-07-23 | 2023-09-01 | 浙江大学 | 基于bcd-ed的单扫描双示踪剂pet信号分离方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133997B (zh) * | 2017-04-11 | 2019-10-15 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
| CN109009179B (zh) * | 2018-08-02 | 2020-09-18 | 浙江大学 | 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 |
| CN109615674B (zh) * | 2018-11-28 | 2020-09-18 | 浙江大学 | 基于混合损失函数3d cnn的动态双示踪pet重建方法 |
| CN109993808B (zh) * | 2019-03-15 | 2020-11-10 | 浙江大学 | 一种基于dsn的动态双示踪pet重建方法 |
-
2019
- 2019-12-19 CN CN201911317631.5A patent/CN111166368B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111166368A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US10765382B2 (en) | Method for mixed tracers dynamic PET concentration image reconstruction based on stacked autoencoder | |
| CN107133997B (zh) | 一种基于深度神经网络的双示踪剂pet重建方法 | |
| CN111166368B (zh) | 基于预训练gru的单扫描双示踪剂pet信号分离方法 | |
| CN109615674B (zh) | 基于混合损失函数3d cnn的动态双示踪pet重建方法 | |
| CN113160347B (zh) | 一种基于注意力机制的低剂量双示踪剂pet重建方法 | |
| CN109993808B (zh) | 一种基于dsn的动态双示踪pet重建方法 | |
| CN108986916B (zh) | 基于栈式自编码器的动态pet图像示踪剂动力学宏参数估计方法 | |
| CN104657950B (zh) | 一种基于Poisson TV的动态PET图像重建方法 | |
| 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 | |
| CN111920436A (zh) | 基于多任务学习三维卷积编解码网络的双示踪剂pet分离方法 | |
| Ruan et al. | Separation of a mixture of simultaneous dual-tracer PET signals: a data-driven approach | |
| CN113476064B (zh) | 基于bcd-ed的单扫描双示踪剂pet信号分离方法 | |
| Qing et al. | Separation of dual-tracer PET signals using a deep stacking network | |
| Kotina et al. | Data processing in nuclear medicine | |
| CN113379863B (zh) | 基于深度学习的动态双示踪pet图像联合重建与分割方法 | |
| CN106548473A (zh) | 一种构建相位图像的方法及装置 | |
| CN106548464B (zh) | 一种构建相位图像的方法及装置 | |
| CN112927132B (zh) | 提升pet系统空间分辨率均匀性的pet图像重建方法 | |
| Shen et al. | Limited view PET reconstruction of tissue radioactivity maps | |
| CN211834429U (zh) | 全模拟核素分布显像系统 | |
| CN118674809A (zh) | 一种基于类卡尔曼滤波算法和神经网络的pet图像重建方法 | |
| Branco et al. | Monte Carlo simulations in small animal PET imaging | |
| Brahim | Brain imaging biomarker normalization, analysis and classification methods to characterize progression of neurodegenerative diseases | |
| CN105551067B (zh) | 基于类序贯h∞滤波的静态pet图像重建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |