CN111920436A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111920436A
CN111920436A CN202010652142.1A CN202010652142A CN111920436A CN 111920436 A CN111920436 A CN 111920436A CN 202010652142 A CN202010652142 A CN 202010652142A CN 111920436 A CN111920436 A CN 111920436A
Authority
CN
China
Prior art keywords
tracer
pet
dual
network
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.)
Pending
Application number
CN202010652142.1A
Other languages
English (en)
Inventor
刘华锋
曾富珍
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 CN202010652142.1A priority Critical patent/CN111920436A/zh
Publication of CN111920436A publication Critical patent/CN111920436A/zh
Pending legal-status Critical Current

Links

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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Nuclear Medicine (AREA)

Abstract

本发明公开了一种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，该方法通过基于多任务学习三维卷积编解码网络将双示踪剂PET的信号分离任务转化为两种单示踪剂PET重建问题，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正弦图像序列与两个单一示踪剂的PET浓度图像序列之间的关系，从而完成了双示踪PET的信号分离。

Description

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
技术领域
本发明属于PET成像技术领域，具体涉及一种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。
背景技术
正电子发射断层成像(Positron emission tomography，PET)是一种可以检测人体内生理化学活动的诊断性功能成像技术，利用这项技术可以获得人体内目标组织中葡萄糖代谢、血流和乏氧等疾病相关的生理指标。PET的原理是：正电子同位素标记的化合物(示踪剂)经过注射或者口服进入体内，根据人体内部生理或者病理活动的需要，示踪剂在对这种化合物需求高的部位聚集；当放射性核素发生衰变时会发出正电子，正电子遇到人体内游离的负电子就会发生湮灭效应，从而产生两个能量同为511keV，运动方向近似180度的γ光子对，γ光子被体外的探测器探测到，将得到的数据进行校正、重建等处理就能知道示踪剂在体内的空间及时间分布，再根据示踪剂的时空分布进行病理诊断。使用不同的示踪剂能监测不同的生理活动，就能进行不同疾病的诊断，如检测葡萄糖代谢是否旺盛常用[18F]-FDG，检测缺氧程度可以使用[62Cu]-ATSM。
然而对于某一种疾病来说，多方面、多角度的生命活动检测有助于提高疾病分期、患病诊断的准确率，也为选择更加合理有效的治疗方案提供更多宝贵的信息，因此实现双示踪剂PET甚至多示踪剂PET成像是十分有意义且有广大应用前景的技术。为了节约病患的扫描时间和扫描费用，如何处理单次扫描双示踪PET信号成为亟需解决的关键技术；由于不同放射性核素湮灭产生的都是一对511ekV的γ光子，所以对于信号来源于哪一种示踪剂难以辨别，这就不能知道两种示踪剂分别的时空分布和监测的生命活动状态。
目前双示踪剂PET分离方法主要可分为：(1)利用示踪剂先验信息以及间隔注射结合数学模型来区分不同示踪剂的信号，这类方法中常用的数学模型有房室模型法、基追踪法以及信号外延法等；以信号外延法为例，它将两种示踪剂先后注入，得到带有时间间隔的混合示踪剂时间活度曲线，接着用数学模型拟合出示踪剂一时间活度曲线未重叠部分，然后再外推出示踪剂I与示踪剂II重叠部分，即可完成两种示踪剂时间活度曲线的分离；这类方法存在以下问题：1.要求混合示踪剂中的单示踪剂具有不同的半衰期或不同的放射性同位素，降低了方法的实际可行性；2.需要预先构造好的先验数学模型，而该先验模型对新示踪剂可能不适用；3.需要注射间隔，延长了扫描时间。(2)采用瞬发Gammas的双示踪剂分离技术，这种方法要求其中一种示踪剂可以多发出一个高能伽马射线，根据这个特性可以实现双示踪剂的信号分离，但这种方法对示踪剂和探测器要求比较高，推广困难。
综合考虑双示踪剂PET成像的重要意义和现有方法的局限性，研究单次扫描且同时注射双示踪剂PET信号分离是很有意义的。
发明内容
鉴于上述，本发明提出了一种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，该方法借助于深度学习这一强大的特征提取工具，能够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。
一种基于多任务学习三维卷积编解码网络的双示踪剂PET分离方法，包括如下步骤：
(1)对同时注入有示踪剂I和示踪剂II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正弦图序列Ydual，所述示踪剂I和示踪剂II分别由两种放射性核素标记；
(2)对只注入有示踪剂I的生物组织进行动态PET扫描，得到示踪剂I对应的PET正弦图序列YI；间隔示踪剂I的5个半衰期后，对只注入有示踪剂II的生物组织进行动态PET扫描，得到示踪剂II对应的PET正弦图序列YII；
(3)利用PET重建算法计算出YI和YII所对应的PET图像序列XI和XII；
(4)根据步骤(1)～(3)重复执行多次，得到大量的PET正弦图序列Ydual以及PET图像序列XI和XII并将这些分为训练集和测试集；
(5)构建三维卷积编解码网络，将训练集中的Ydual输入该网络，使训练集中对应的XI和XII作为网络输出的真值标签，通过对网络进行训练得到双示踪剂PET分离模型；
(6)将测试集中的Ydual输入上述模型中，即可分离输出得到对应示踪剂I和示踪剂II的PET图像序列XI和XII。
进一步地，所述步骤(1)中对于两种示踪剂半衰期没有限制，甚至使用相同的放射性核素标记两种示踪剂也能实现好的分离效果。
进一步地，所述步骤(5)中的三维卷积编解码网络包括编码和解码两部分，解码部分由两条分支组成分别对应两种示踪剂的重建任务，编码部分从输入至输出由7个卷积层C1～C7依次级联组成，卷积层C1～C7的步长依次为1、2、1、2、1、2、1，卷积层C1～C7中的卷积核大小均为3×3×3，卷积层C1～C7中的卷积核个数依次为16、16、32、32、64、64、128。
进一步地，所述解码部分的两条分支结构完全相同，每条分支从输入至输出由反卷积层DC1、卷积层D1、反卷积层DC2、卷积层D2、反卷积层DC3、卷积层D3、卷积层D4依次级联组成，各层中的卷积核个数依次为64、64、32、32、16、16、1，反卷积层DC1～DC3以及卷积层D1～D3中的卷积核大小均为3×3×3，卷积层D4中的卷积核大小为1×1×1，反卷积层DC1～DC3的步长均为2，卷积层D1～D4的步长均为1。
进一步地，所述卷积层C1～C7、反卷积层DC1～DC3以及卷积层D1～D3的输出均经过batch-norm层和ReLU激活层处理，卷积层D4的输出则经ReLU激活层进行非负约束。
进一步地，所述步骤(5)中对网络进行训练的具体过程如下：
首先，初始化网络参数，包括每一层的偏置向量和权值矩阵、学习率、优化方法以及最大迭代次数；
然后，将训练集中的Ydual批量输入至该网络中进行训练，计算网络的输出结果
Figure BDA0002575372270000032
与真值标签[XI，XII]之间的损失函数L，进而通过批次梯度下降法对整个网络的参数不断进行更新，直至损失函数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，所述损失函数L的表达式如下：
Figure BDA0002575372270000031
其中：|| ||2为2范数，γ为给定的权重系数，
Figure BDA0002575372270000041
表示XI与
Figure BDA0002575372270000042
之间的相似度指标SSIM(Structural Similarity)，
Figure BDA0002575372270000043
表示XII与
Figure BDA0002575372270000044
之间的相似度指标SSIM；其中前两项反应了双示踪剂PET重建的预测值与标签值之间的误差，而第三项表示了预测值和标签值在结构、对比度、亮度三个方面的相似度。
进一步地，所述步骤(6)中对于动态的PET正弦图序列以及分离得到的PET图像序列的帧数没有限制，所述PET分离方法能够处理不同帧数的PET图像信号。
本发明通过基于多任务学习三维卷积编解码网络将双示踪剂PET的信号分离任务转化为两种单示踪剂PET重建问题，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正弦图像序列与两个单一示踪剂的PET浓度图像序列之间的关系。本发明有三个亮点：第一，此网络是普适性的，训练集包含了多组示踪剂组合，也包含了若干种形状的模板，在测试过程中也表现出了对不同示踪剂组合、不同模板良好的分离能力；第二，此网络同时结合了图像序列的时间和空间信息，为分离任务提供了更多更可靠的信息；第三，此网络将两种单示踪剂PET信号同时重建共享编码部分的参数实现多任务学习，互相促进达到更好的重建效果。
综上所述，本发明利用多任务学习三维卷积编解码网络搭建了一个普适性的框架，通过强大的特征提取能力建立了一个双示踪PET分离的映射关系，从而完成了双示踪PET的信号分离。
附图说明
图1为本发明三维卷积编解码网络的结构原理示意图。
图2(a)～图2(c)分别为zubal胸腔模板、Hoffman大脑模板以及复杂脑模板图像。
图3(a)为[62Cu]ATSM第7帧的真实图像。
图3(b)为[62Cu]ATSM第7帧的预测图像。
图3(c)为[11C]DTBZ第7帧的真实图像。
图3(d)为[11C]DTBZ第7帧的预测图像。
图4(a)为[18F]FLT第7帧的真实图像。
图4(b)为[18F]FLT第7帧的预测图像。
图4(c)为[11C]FMZ第7帧的真实图像。
图4(d)为[11C]FMZ第7帧的预测图像。
图5(a)为[18F]FDG第7帧的真实图像。
图5(b)为[18F]FDG第7帧的预测图像。
图5(c)为[18F]FLT第7帧的真实图像。
图5(d)为[18F]FLT第7帧的预测图像。
图6(a)为zubal胸腔模板示踪剂I的TAC曲线对比示意图。
图6(b)为zubal胸腔模板示踪剂II的TAC曲线对比示意图。
图6(c)为Hoffman大脑模板示踪剂I的TAC曲线对比示意图。
图6(d)为Hoffman大脑模板示踪剂II的TAC曲线对比示意图。
图6(e)为复杂脑模板示踪剂I的TAC曲线对比示意图。
图6(f)为复杂脑模板示踪剂II的TAC曲线对比示意图。
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。
本发明基于多任务学习三维卷积编解码网络的双示踪剂PET信号分离方法，包括如下步骤：
(1)准备数据。
1.1向生物体同时注射两种放射性核素标记的示踪剂I、II，且只进行一次动态PET扫描，得到双示踪剂PET信号正弦图Ydual。
1.2向生物体注射示踪剂I，并进行一次动态PET扫描，得到对应的PET信号正弦图序列YI；间隔示踪剂I的5个半衰期后，注射示踪剂II，再进行一次动态PET扫描，得到示踪剂II对应的PET信号正弦图序列YII。
1.3利用PET重建算法恢复出正弦图序列YI和YII所对应的放射性示踪剂原始浓度分布图序列XI和XII。
(2)准备训练集和测试集数据。
2.1将Ydual按比例随机划分为训练集
Figure BDA0002575372270000061
和测试集
Figure BDA0002575372270000062
作为网络的输入。
2.2将
Figure BDA0002575372270000063
分别对应的XI和XII分为训练集和测试集的标签
Figure BDA0002575372270000064
Figure BDA0002575372270000065
(3)搭建用于双示踪PET信号分离的多任务学习三维卷积编解码网络，如图1所示，该网络分为编码和解码两部分，其中解码部分由两个分支组成分别对应两种示踪剂的重建任务。编码部分有7个卷积核大小为3×3×3的卷积层c1～c7，其中c1～c7的步长为1,2,1,2,1,2,1；c1～c7的卷积核个数分别是：16,16,32,32,64,64,128；编码部分的每个卷积层后面都跟着一层batch-norm层和ReLU激活层。解码部分的两个分支结构完全相同，以其中一个分支为例，包含了3个反卷积层dc1-dc3和4个卷积层d1-d4，dc1-dc3和d1-d3的卷积核大小都是3×3×3，d4的卷积核是1×1×1，反卷积层的步长都是2，卷积层的步长都是1，连接顺序为dc1-d1-dc2-d2-dc3-d3-d4，各层相应的卷积核个数为：64，64，32，32，16，16，1。解码部分dc1-dc1和d1-d3各层后面都有batch-norm和ReLU激活层，d4后面有ReLU激活层进行非负约束。
(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。对基于多任务学习三维卷积编解码网络进行初始化操作，其中包括给出可见层和隐藏层的单元数目、初始化偏置向量和权值矩阵、设置学习率、学习率策略、激活函数和迭代次数。
4.2将
Figure BDA0002575372270000066
输入网络进行训练。
双示踪剂PET分离：采用三维卷积编解码网络进行双示踪剂PET分离，输入双示踪剂PET的正弦图序列，输出为两种单示踪剂PET浓度图序列记为
Figure BDA0002575372270000067
Figure BDA0002575372270000068
同时重建两种单示踪剂的浓度分布图，两个分支共享编码部分，形成多任务学习框架，互相促进，达到更好的分离效果；根据损失函数L，利用批次梯度下降法更新权重和偏置参数，直到损失函数收敛到小的值，结束训练。
双示踪剂PET分离的损失函数如下：
Figure BDA0002575372270000069
其中：第一项反应了双示踪剂PET重建的预测值与标签值之间的误差，而第二项表示了预测值和标签值在结构、对比度、亮度三个方面的相似度；γ是一个自定义常数，用来调节后第二项在整个损失函数中的比重。
以下我们通过模拟实验来验证本发明。
(1)选择模板。
训练数据包含三组不同的示踪剂对，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 ofinterest，ROI)构成，不同的感兴趣区域表示不同的生化环境。图2(a)是zubal胸腔模板，[62Cu]ATSM-[11C]DTBZ这组示踪剂是采用此模；图2(b)是包含霍夫曼大脑模板，[18F]FLT-[11C]FMZ这组示踪剂是采用此模板；图2(c)是复杂脑模板，[18F]FDG-[18F]FLT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两种单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39个环，探测器环直径为82.4cm，横向视野为58.5cm，轴向视野为16.2cm。将双示踪剂浓度分布图输入Monte Carlo系统中，便可以生成对应的动态采样正弦图。
(4)训练过程。
将训练集中的
Figure BDA0002575372270000071
输入到网络中去，对应的
Figure BDA0002575372270000072
分别作为两个单示踪剂PET重建的标签为整个网络的参数调整提供反馈。
(5)测试过程。
将测试集中的
Figure BDA0002575372270000073
输入到网络中去，根据测试集的结果说明网络的有效性。
图3(a)～图3(b)分别是[62Cu]ATSM的第7帧模拟放射性浓度分布图和经过训练的多任务学习三维卷积编解码网络得到的预测的放射性浓度分布图，图3(c)～图3(d)分别是[11C]DTBZ的第7帧模拟放射性浓度分布图和经过训练的多任务学习三维卷积编解码网络得到的预测的放射性浓度分布图；图4(a)～图4(b)分别是[18F]FLT的第7帧模拟放射性浓度分布图和经过训练的多任务学习三维卷积编解码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]FMZ的第7帧模拟放射性浓度分布图和经过训练的多任务学习三维卷积编解码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[18F]FDG的第7帧模拟放射性浓度分布图和经过训练的多任务学习三维卷积编解码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[18F]FLT的第7帧模拟放射性浓度分布图和经过训练的多任务学习三维卷积编解码网络得到的预测的放射性浓度分布图。
图6(a)～图6(f)分别是在zubal胸腔、霍夫曼脑、复杂脑三种模板示踪剂I和示踪剂II浓度图提取的TAC曲线对比，其中虚线代表多任务学习三维卷积编解码网络输出的预测值，实线代表模拟浓度分布的真实TAC曲线。
将预测的图像与模拟真实图像对比可以发现搭建的多任务学习三维卷积编解码网络能够较好地分离三种模板、各种相对半衰期示踪剂对组合的双示踪PET信号。这证实了多任务学习三维卷积编解码网络在特征提取和信号分离方面的有效性，同时也说明了本发明方法在不同结构信息，不同动态变化的PET信号时是有效的。
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 (8)

1.一种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，包括如下步骤：
(1)对同时注入有示踪剂I和示踪剂II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正弦图序列Ydual，所述示踪剂I和示踪剂II分别由两种放射性核素标记；
(2)对只注入有示踪剂I的生物组织进行动态PET扫描，得到示踪剂I对应的PET正弦图序列YI；间隔示踪剂I的5个半衰期后，对只注入有示踪剂II的生物组织进行动态PET扫描，得到示踪剂II对应的PET正弦图序列YII；
(3)利用PET重建算法计算出YI和YII所对应的PET图像序列XI和XII；
(4)根据步骤(1)～(3)重复执行多次，得到大量的PET正弦图序列Ydual以及PET图像序列XI和XII并将这些分为训练集和测试集；
(5)构建三维卷积编解码网络，将训练集中的Ydual输入该网络，使训练集中对应的XI和XII作为网络输出的真值标签，通过对网络进行训练得到双示踪剂PET分离模型；
(6)将测试集中的Ydual输入上述模型中，即可分离输出得到对应示踪剂I和示踪剂II的PET图像序列XI和XII。
2.根据权利要求1所述的双示踪剂PET分离方法，其特征在于：所述步骤(1)中对于两种示踪剂的半衰期没有限制，甚至使用相同的放射性核素标记两种示踪剂也能实现较好的分离效果。
3.根据权利要求1所述的双示踪剂PET分离方法，其特征在于：所述步骤(5)中的三维卷积编解码网络包括编码和解码两部分，解码部分由两条分支组成分别对应两种示踪剂的重建任务，编码部分从输入至输出由7个卷积层C1～C7依次级联组成，卷积层C1～C7的步长依次为1、2、1、2、1、2、1，卷积层C1～C7中的卷积核大小均为3×3×3，卷积层C1～C7中的卷积核个数依次为16、16、32、32、64、64、128。
4.根据权利要求3所述的双示踪剂PET分离方法，其特征在于：所述解码部分的两条分支结构完全相同，每条分支从输入至输出由反卷积层DC1、卷积层D1、反卷积层DC2、卷积层D2、反卷积层DC3、卷积层D3、卷积层D4依次级联组成，各层中的卷积核个数依次为64、64、32、32、16、16、1，反卷积层DC1～DC3以及卷积层D1～D3中的卷积核大小均为3×3×3，卷积层D4中的卷积核大小为1×1×1，反卷积层DC1～DC3的步长均为2，卷积层D1～D4的步长均为1。
5.根据权利要求4所述的双示踪剂PET分离方法，其特征在于：所述卷积层C1～C7、反卷积层DC1～DC3以及卷积层D1～D3的输出均经过batch-norm层和ReLU激活层处理，卷积层D4的输出则经ReLU激活层进行非负约束。
6.根据权利要求1所述的双示踪剂PET分离方法，其特征在于：所述步骤(5)中对网络进行训练的具体过程如下：
首先，初始化网络参数，包括每一层的偏置向量和权值矩阵、学习率、优化方法以及最大迭代次数；
然后，将训练集中的Ydual批量输入至该网络中进行训练，计算网络的输出结果
Figure FDA0002575372260000025
与真值标签[XI，XII]之间的损失函数L，进而通过批次梯度下降法对整个网络的参数不断进行更新，直至损失函数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。
7.根据权利要求6所述的双示踪剂PET分离方法，其特征在于：所述损失函数L的表达式如下：
Figure FDA0002575372260000021
其中：||||2为2范数，γ为给定的权重系数，
Figure FDA0002575372260000022
表示XI与
Figure FDA0002575372260000026
之间的相似度指标SSIM，
Figure FDA0002575372260000023
表示XII与
Figure FDA0002575372260000024
之间的相似度指标SSIM。
8.根据权利要求1所述的双示踪剂PET分离方法，其特征在于：所述步骤(6)中对于动态的PET正弦图序列以及分离得到的PET图像序列的帧数没有限制，所述PET分离方法能够处理不同帧数的PET图像信号。
CN202010652142.1A 2020-07-08 2020-07-08 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 Pending CN111920436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010652142.1A CN111920436A (zh) 2020-07-08 2020-07-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010652142.1A CN111920436A (zh) 2020-07-08 2020-07-08 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

Publications (1)

Publication Number Publication Date
CN111920436A true CN111920436A (zh) 2020-11-13

Family

ID=73313539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010652142.1A Pending CN111920436A (zh) 2020-07-08 2020-07-08 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

Country Status (1)

Country Link
CN (1) CN111920436A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160347A (zh) * 2021-04-14 2021-07-23 浙江大学 一种基于注意力机制的低剂量双示踪剂pet重建方法
CN114998249A (zh) * 2022-05-30 2022-09-02 浙江大学 一种时空注意力机制约束的双示踪pet成像方法
US20220335665A1 (en) * 2021-04-14 2022-10-20 Zhejiang University Attention mechanism-based low-dose dual-tracer pet reconstruction method

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106887025A (zh) * 2017-01-16 2017-06-23 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
CN107133997A (zh) * 2017-04-11 2017-09-05 浙江大学 一种基于深度神经网络的双示踪剂pet重建方法
CN107729805A (zh) * 2017-09-01 2018-02-23 北京大学 用于行人再识别的神经网络和基于深度学习的行人再识别算法
CN108596841A (zh) * 2018-04-08 2018-09-28 西安交通大学 一种并行实现图像超分辨率及去模糊的方法
CN109360171A (zh) * 2018-10-26 2019-02-19 北京理工大学 一种基于神经网络的视频图像实时去模糊方法
CN109615674A (zh) * 2018-11-28 2019-04-12 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
CN109993808A (zh) * 2019-03-15 2019-07-09 浙江大学 一种基于dsn的动态双示踪pet重建方法
CN111166368A (zh) * 2019-12-19 2020-05-19 浙江大学 基于预训练gru的单扫描双示踪剂pet信号分离方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106887025A (zh) * 2017-01-16 2017-06-23 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
CN107133997A (zh) * 2017-04-11 2017-09-05 浙江大学 一种基于深度神经网络的双示踪剂pet重建方法
CN107729805A (zh) * 2017-09-01 2018-02-23 北京大学 用于行人再识别的神经网络和基于深度学习的行人再识别算法
CN108596841A (zh) * 2018-04-08 2018-09-28 西安交通大学 一种并行实现图像超分辨率及去模糊的方法
CN109360171A (zh) * 2018-10-26 2019-02-19 北京理工大学 一种基于神经网络的视频图像实时去模糊方法
CN109615674A (zh) * 2018-11-28 2019-04-12 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
CN109993808A (zh) * 2019-03-15 2019-07-09 浙江大学 一种基于dsn的动态双示踪pet重建方法
CN111166368A (zh) * 2019-12-19 2020-05-19 浙江大学 基于预训练gru的单扫描双示踪剂pet信号分离方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JINMIN XU，HUAFENG LIU: "Three-dimensional convolutional neural networks for simultaneous dual-tracer PET imaging", 《PHYSICS IN MEDICINE & BIOLOGY》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160347A (zh) * 2021-04-14 2021-07-23 浙江大学 一种基于注意力机制的低剂量双示踪剂pet重建方法
CN113160347B (zh) * 2021-04-14 2022-04-26 浙江大学 一种基于注意力机制的低剂量双示踪剂pet重建方法
US20220335665A1 (en) * 2021-04-14 2022-10-20 Zhejiang University Attention mechanism-based low-dose dual-tracer pet reconstruction method
WO2022217984A1 (zh) * 2021-04-14 2022-10-20 浙江大学 一种基于注意力机制的低剂量双示踪剂pet重建方法
US12112406B2 (en) * 2021-04-14 2024-10-08 Zhejiang University Attention mechanism-based low-dose dual-tracer PET reconstruction method
CN114998249A (zh) * 2022-05-30 2022-09-02 浙江大学 一种时空注意力机制约束的双示踪pet成像方法

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
CN111627082B (zh) 基于滤波反投影算法和神经网络的pet图像重建方法
US10765382B2 (en) Method for mixed tracers dynamic PET concentration image reconstruction based on stacked autoencoder
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
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
CN109993808B (zh) 一种基于dsn的动态双示踪pet重建方法
Xu et al. Deep-learning-based separation of a mixture of dual-tracer single-acquisition PET signals with equal half-lives: a simulation study
CN111166368B (zh) 基于预训练gru的单扫描双示踪剂pet信号分离方法
WO2014172927A1 (zh) 一种基于rpca的pet图像动态重建方法及系统
CN113476064B (zh) 基于bcd-ed的单扫描双示踪剂pet信号分离方法
Rahman et al. A list-mode OSEM-based attenuation and scatter compensation method for SPECT
CN111476859B (zh) 一种基于3D Unet的动态双示踪PET成像方法
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
Chen et al. Temporal feature prior-aided separated reconstruction method for low-dose dynamic myocardial perfusion computed tomography
US12112406B2 (en) Attention mechanism-based low-dose dual-tracer PET reconstruction method
CN115984401A (zh) 一种基于模型驱动深度学习的动态pet图像重建方法
Mohammadi et al. Motion in nuclear cardiology imaging: types, artifacts, detection and correction techniques
CN112927132B (zh) 提升pet系统空间分辨率均匀性的pet图像重建方法
Arunprasath et al. Reconstruction of PET brain image using conjugate gradient algorithm
Shen et al. Limited view PET reconstruction of tissue radioactivity maps
CN105551067B (zh) 基于类序贯h∞滤波的静态pet图像重建方法
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

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201113