CN113744356B - 一种低剂量spect弦图恢复和散射校正的方法 - Google Patents

一种低剂量spect弦图恢复和散射校正的方法 Download PDF

Info

Publication number
CN113744356B
CN113744356B CN202110945485.1A CN202110945485A CN113744356B CN 113744356 B CN113744356 B CN 113744356B CN 202110945485 A CN202110945485 A CN 202110945485A CN 113744356 B CN113744356 B CN 113744356B
Authority
CN
China
Prior art keywords
graph
spect
projection data
model
chord
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
CN202110945485.1A
Other languages
English (en)
Other versions
CN113744356A (zh
Inventor
江颖
刘曌焕
刘伟锋
吴锐帆
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110945485.1A priority Critical patent/CN113744356B/zh
Publication of CN113744356A publication Critical patent/CN113744356A/zh
Application granted granted Critical
Publication of CN113744356B publication Critical patent/CN113744356B/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
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction

Landscapes

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

Abstract

本发明涉及一种低剂量SPECT弦图恢复和散射校正的方法，步骤一：生成投影数据并进行标准化处理；步骤二：将生成的投影数据输入至SCASC‑Net模型中进行模型训练；步骤三：将低剂量SPECT弦图数据输入至步骤二的训练好的模型中，对弦图进行恢复和散射校正。对于低剂量SPECT投影数据的特点和在角度方向的连续性，本发明的网络模型在进行低剂量弦图恢复和散射校正的同时，通过空间注意力模块和通道注意力模块能够发现投影数据角度之间的联系，同时也能关联到相邻断层图像之间在投影数据域的关系，使得恢复后的弦图尽可能地保留细节。经过上述方法对弦图进行预处理后，弦图的细节能够保留，再通过使用预处理后的弦图进行图像的重建，最终能够获得高质量的SPECT断层图像。

Description

一种低剂量SPECT弦图恢复和散射校正的方法
技术领域
本发明涉及图像数据预处理领域，更具体地，涉及一种低剂量SPECT弦图恢复和散射校正的方法。
背景技术
SPECT是一种非侵入型的分子成像技术，医生需要在病人体内注射一定剂量的放射性示踪剂，待病变器官吸收大约2-3个小时后再根据检测的信息来对疑似病变器官进行诊断。在不考虑衰减、散射以及模糊等效应的情况下，放射性示踪剂分布的投影是由每个点对应的正弦线叠加而成的，因此我们将在一排探测单元上检测得到的物体的投影数据称为弦图(Sinogram)。由于注射入病人体内的放射性示踪剂同位素药物具有辐射，这些药物产生的辐射会诱发人体的新陈代谢异常甚至有致癌的风险，对人体健康的影响是不容忽视的。为了应对标准SPECT扫描产生的医源性辐射伤害问题，科研人员一直致力于降低示踪剂的剂量。与标准SPECT相比，低剂量的SPECT会导致重建图像的噪声变大，高噪声的图像不利于医学诊断，会对医生的临床诊断造成干扰。
公开号为“CN103810734B”的中国专利文件公开一种低剂量X射线CT投影数据恢复方法，其包括步骤：获取低剂量X射线CT图像的投影数据；对投影数据构建基于惩罚加权最小一乘的数据恢复模型并对投影数据进行数据恢复处理；对恢复的投影数据采用解析重建方法进行图像重建，得到最终的低剂量X射线CT图像。针对降低管电流和扫描时间的低剂量CT投影数据进行数据恢复处理，然后通过解析重建方法进行图像重建，能够有效地去除图像噪声并抑制条形伪影，同时较好地保持图像细节信息。
在上述的技术方案中主要采用直接重建法：利用神经网络学习投影数据到重建图像之间的映射关系，做端对端数据的训练，其实也就是通过神经网络来学习成像的系统矩阵。例如用深度神经网络(Deep Neural Network，DNN)。直接重建可以充分利用到投影数据的先验知识，可以通过庞大的网络学习从投影数据到重建图像的映射关系，但是这种方法需要训练的参数数量巨大，导致所用的网络模型较为复杂，所以训练具有较大的难度，导致网络模型的质量地，图像重建效果差。
发明内容
本发明为克服上述现有技术中直接重建法难以得到大量训练数据导致重建效果差的问题，提供一种低剂量SPECT弦图恢复和散射校正的方法，通过对低剂量SPECT弦图进行预处理，从而可以提高最终图像重建的质量。
为解决上述技术问题，本发明采用的技术方案是：一种低剂量SPECT弦图恢复和散射校正的方法，包括如下步骤：
步骤一：生成投影数据并进行标准化处理；
步骤二：将生成的投影数据输入至SCASC-Net模型中进行模型训练；所述SCASC-Net模型通过编码器提取投影数据的特征后同时输入至通道注意力模块和空间注意力模块中；通道注意力模块和空间注意力模块中输出特征在通道维度上进行拼接，作为解码器的初始输入；解码器对所输入的特征进行逐步上采样至原图大小，最终输出V通道的预测图；将预测图与真实的弦图作对比并计算误差，使用梯度下降法反向传导更新模型参数，从而完成模型的训练；
步骤三：将低剂量SPECT弦图数据输入至步骤二的训练好的模型中，对弦图进行恢复和散射校正。
在上述的技术方案中，SCASC-Net模型的网络结构主体部分是一个编码器-解码器结构，并且利用注意力机制引入弦图角度和切片之间的关联信息。其中，注意力机制包括空间注意力模块和通道注意力模块，该两个模块为现有的模块结构，能够分别对空间维度和通道维度的语义进行相互关联，在上述方案中，通过在网络中增加空间注意力模块和通道注意力模块来关联弦图的先验知识。在该方案中合并V张连续的弦图作为一个V通道的样本，同时利用通道注意力模块和空间注意力模块来建立这两个方向的关联，具体地，我们把一张弦图当作样本的一个通道，弦图之间的关联由通道注意力模块建立，而弦图内部各行数据之间的关联则由空间注意力模块建立。相邻断层间的投影数据具有连续性，同时相邻角度间也具有连续性(即相邻断层和角度间的数据应有相似结构)。通过建立不同断层和不同角度间数据的连续性，因此通过空间注意力模块和通道注意力模块关联投影数据角度之间的联系，同时关联相邻断层图像之间在投影数据域的关系，能够恢复投影数据中有意义的结构，同时避免在降噪的过程中模糊化细节信息，使得恢复后的弦图尽可能地保留细节。经过上述方法对弦图进行预处理后，弦图的细节能够保留，再通过使用预处理后的弦图进行图像的重建，最终能够获得高质量的SPECT断层图像。
优选的，在所述步骤二中，所述编码器结构为MobileNetV2的网络框架，其包括5个阶段，并将该网络框架中移动步长为2的卷积操作改为1；在将该网络框架的前三个阶段加入步长为2的最大池化操作并保留最大值及其索引，该网络框架的最后两个阶段不作任何下采样操作。MobileNetV2的网络框架联接了负责不同断层和角度的卷积滤波器的输出结果，以此建立相邻断层间和相邻角度间投影数据的关联，表达相邻断层间和相邻角度间投影数据的连续性关系(结合上一点)，以帮助恢复低剂量投影数据中有意义的结构和细节信息。
优选的，在所述步骤二中，所述解码器结构为MobileNetV2的网络框架，其包括5个阶段且每个阶段均设置有一层卷积层；每个阶段使用跳层连接(即把编码器上对应层进行最大池化操作前的特征，与解码器特征在通道维度上进行拼接，输入到下一阶段进行估计)；所述解码器直接使用所述编码器的最大池化操作保留的最大值及其索引，其中最大值周围的由卷积层估计得到；编码器通过Sigmoid函数，使得输出图像的像素值都在[0,1]的范围内。
优选的，所述SCASC-Net模型的损失函数为
loss＝lossbasic+λreconlossrecon+λperlossper+λanglelossangle,。
式中，lossrecon表示为重建损失函数；λrecon表示为重建损失函数的系数；lossper表示为弦图周期性损失函数；λper表示为弦图周期性损失函数的系数；lossangle表示为角度平滑损失函数；λangle表示为角度平滑损失函数的系数；lossbasic表示为基础函数。
由于SCASC-Net模型需要特别关注连续几个角度的连续性，所以模型中基础的损失函数用l1范数。针对于弦图的连续性特征和保证弦图重建之后的效果，根据弦图重建的结果、弦图的周期性和角度方向的平滑性，对应设置重建损失函数、弦图周期性损失函数和角度平滑损失函数，通过三个损失函数结合基础损失函数
来约束弦图的连续性、重建的效果和迭代重建图像可能出现的伪影。上述损失函数针对弦图本身的特点和SPECT成像过程中的物理过程和成像的几何结构，由于弦图的恢复并不是普通的图像去噪过程，因此在模型的训练过程中，通过上述的损失函数能够从弦图的成像过程和性质来进一步来优化网络模型，从而提高弦图恢复和散射的校正效果，令弦图用于图像重建的时候，提高图像重建的质量。
优选的，由于网络模型是在SPECT图像重建之前对待重建的弦图进行预处理，对弦图进行恢复和散射校正，预处理之后再用合适的重建算法对处理后的弦图进行重建得到断层图像。因此我们的损失函数中需要约束重建的结果，为了避免基于迭代的重建算法计算量太大，采用了弦图滤波反投影的结果作为损失函数，从而能够用一个简单的重建过程来约束重建的结果，重建损失函数具体为：
式中，F表示本发明所用的模型；表示为模型输入，即弦图的投影数据；G表示为模型的标签数据；Fb表示为滤波反投影算法。
优选的，重建损失函数所用波器为Ram-Lak，离散的R-L滤波函数RL为
式中，T为滤波的周期，n为整数。
优选的，弦图周期性损失函数具体为：
式中，u表示探测单元的位置，θ表示旋转角度；表示为弦图的第k行元素。
优选的，对于低剂量的弦图，由于包含的光子数较少，从图像上来看，行与行之间会出现明显的断层。因此可以设计角度平滑损失函数来约束这种断层的现象。角度平滑损失函数具体为：
式中，表示弦图的第i列元素；θ表示旋转角度。
优选的，在步骤一，投影数据通过使用模拟核医学成像探测板程序生成，在该程序中选择n＝1000的投影数据作为高剂量无散射的基准数据，选择n＝1和n＝10的数据作为低剂量带散射的数据。模拟核医学成像探测板是一款基于蒙特卡罗数值模拟的软件，使用该程序自带的四个模体：Zubal brain(vox_brn)、MDP whole body(mdp_wb)、mdpect(mdp_ect)和jaszak，以及SPECT重建算法研究中常用的像素化模体lumpy进行投影数据的生成。
优选的，在所述步骤二中，模型参数的初始化使用正态分布方法，使用Adam优化方法传播模型损失并更新参数，为了使得训练过程平稳收敛，使用“poly”学习率调整策略，调整公式为：
式中，为初始学习率；epoch为当前训练迭代次数；max_epoch为最大训练迭代次数；power为衰减因子。
与现有技术相比，本发明的有益效果是：针对于低剂量SPECT投影数据的特点和其在角度方向的连续性，本发明所提供的网络模型在进行低剂量弦图恢复和散射校正的同时，通过空间注意力模块和通道注意力模块能够发现投影数据角度之间的联系，同时也能关联到相邻断层图像之间在投影数据域的关系，使得恢复后的弦图尽可能地保留细节。经过上述方法对弦图进行预处理后，弦图的细节能够保留，再通过使用预处理后的弦图进行图像的重建，最终能够获得高质量的SPECT断层图像。
附图说明
图1是本发明的一种低剂量SPECT弦图恢复和散射校正的方法的流程图；
图2是lumpy模体在投影数据域上的低剂量弦图；
图3是lumpy模体在投影数据域上的高剂量弦图；
图4是传统算法BM3D对图2进行恢复的结果；
图5是采用SCASC-Net模型对图2进行恢复的结果；
图6是采用SCASC-Net模型加入重建损失函数后对图2进行恢复的结果；
图7是采用SCASC-Net模型加入弦图周期性损失函数后对图2进行恢复的结果；
图8是采用SCASC-Net模型加入角度平滑损失函数后对图2进行恢复的结果；
图9是采用本发明一种低剂量SPECT弦图恢复和散射校正的方法对图2进行恢复的结果；
图10是jaszak模体在重建图像域上对低剂量弦图进行重建图像后的效果图；
图11是jaszak模体在重建图像域上对高剂量弦图进行重建图像后的效果图；
图12是jaszak模体在重建图像域上使用DCNN-SC散射估计算法对低剂量弦图进行预处理后进行重建图像后的效果图；
图13是jaszak模体在重建图像域上使用本发明方法对低剂量弦图进行预处理后进行重建图像后的效果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
实施例1
如图1所示为一种低剂量SPECT弦图恢复和散射校正的方法的实施例，包括如下步骤：
步骤一：生成投影数据并进行标准化处理；投影数据通过使用模拟核医学成像探测板程序生成，在该程序中选择n＝1000的投影数据作为高剂量无散射的基准数据，选择n＝1和n＝10的数据作为低剂量带散射的数据。模拟核医学成像探测板(SimulatingMedical Imaging Nuclear Detectors，SIMIND)是一款基于蒙特卡罗数值模拟的软件，使用该程序自带的四个模体：Zubal brain(vox_brn)、MDP whole body(mdp_wb)、mdpect(mdp_ect)和jaszak，以及SPECT重建算法研究中常用的像素化模体lumpy进行投影数据的生成。
设模拟核医学成像探测板中探测单元的行数L为固定的值128，列数为W，W与模体的高度有关。当探测角度固定时，二维探测板各个探测单元检测到的数据便是投影数据，其数据大小为128×W。在SPECT扫描过程中，旋转角度数通常为120，那么三维模体的大小可表示为128×W×120。
SIMIND程序可以通过设置CHANGE程序中/NN:n开关的参数来确定发射的光子计数，其中n表示将角度固定时发射的光子计数扩大n倍。本发明中选择n＝1000的投影数据作为高剂量无散射的基准数据，另外选择n＝1和n＝10的数据作为低剂量带散射的数据。SIMIMD程序给出了固定角度对不同模体进行模拟时二维探测板接收到的光子数，其为每个投影数据上的光子计数，如表1所示。
表1 SIMIND不同模体弦图光子计数
模体 n＝1 n＝10 n＝1000
vox_brn 5.8×103 5.8×104 1.6×106
mdp_wb 3×102 3.6×103 1.3×105
mdp_ect 1.3×103 1.3×104 4.7×105
jaszak 3.9×102 3.9×104 9.8×105
lumpy 2.3×102 2.3×103 2.3×105
SIMIND程序仿真中经过衰减、散射和模糊等各种物理降质过程，会损失部分光子，数据集中散射光子的比例如表2所示。
表2 SIMIND模体散射光子比例
模体 vox_brn mdp_wb mdp_ect jaszak lumpy
scatter/total 0.4 0.24 0.28 0.31 0.26
在本实施例中，SIMIND模拟的SPECT投影数据大小是128×W×120，其中128为探测板的行数，W表示模体的高度，也即探测板探测单元列数，120为探测板旋转的角度数。我们将数据集沿模体的高度随机切割成128×16×120的大小，其中16也是通道数。首先我们对样本进行标准化处理，将三维输入弦图的最小值标准化为0,最大值标准化为1。然后对样本分别以0.5的概率进行水平或垂直方向的翻转。数据集具体的划分和数量如表3所示。
表3 SIMIND模拟数据集划分
步骤二：将生成的投影数据输入至SCASC-Net-All模型中进行模型训练；SCASC-Net-All模型通过编码器提取投影数据的特征后同时输入至通道注意力模块和空间注意力模块中；通道注意力模块和空间注意力模块中输出特征在通道维度上进行拼接，作为解码器的初始输入；解码器对所输入的特征进行逐步上采样至原图大小，最终输出V通道的预测图；将预测图与真实的弦图作对比并计算误差，使用梯度下降法反向传导更新模型参数，从而完成模型的训练；
由于SCASC-Net-All模型需要特别关注连续几个角度的连续性，所以模型中基础的损失函数用l1范数。针对于弦图的连续性特征和保证弦图重建之后的效果，根据弦图重建的结果、弦图的周期性和角度方向的平滑性，对应设置重建损失函数、弦图周期性损失函数和角度平滑损失函数，通过三个损失函数结合基础损失函数来约束弦图的连续性、重建的效果和迭代重建图像可能出现的伪影。上述损失函数针对弦图本身的特点和SPECT成像过程中的物理过程和成像的几何结构，由于弦图的恢复并不是普通的图像去噪过程，因此在模型的训练过程中，通过上述的损失函数能够从弦图的成像过程和性质来进一步来优化网络模型，从而提高弦图恢复和散射的校正效果，令弦图用于图像重建的时候，提高图像重建的质量。所述SCASC-Net模型的损失函数为
loss＝lossbasic+λreconlossrecon+λperlossper+λanglelossangle,。
式中，lossrecon表示为重建损失函数；λrecon表示为重建损失函数的系数；lossper表示为弦图周期性损失函数；λper表示为弦图周期性损失函数的系数；lossangle表示为角度平滑损失函数；λangle表示为角度平滑损失函数的系数；lossbasic表示为基础函数。
步骤三：将低剂量SPECT弦图数据输入至步骤二的训练好的模型中，对弦图进行恢复和散射校正。
具体的，在所述步骤二中，所述编码器结构为MobileNetV2的网络框架，其包括5个阶段，并将该网络框架中移动步长为2的卷积操作改为1；在将该网络框架的前三个阶段加入步长为2的最大池化操作并保留最大值及其索引，该网络框架的最后两个阶段不作任何下采样操作。在所述步骤二中，所述解码器结构为MobileNetV2的网络框架，其包括5个阶段且每个阶段均设置有一层卷积层；每个阶段使用跳层连接(即把编码器上对应层进行最大池化操作前的特征，与解码器特征在通道维度上进行拼接，输入到下一阶段进行估计)；所述解码器直接使用所述编码器的最大池化操作保留的最大值及其索引，其中最大值周围的由卷积层估计得到；编码器通过Sigmoid函数，使得输出图像的像素值都在[0,1]的范围内。MobileNetV2的网络框架联接了负责不同断层和角度的卷积滤波器的输出结果，以此建立相邻断层间和相邻角度间投影数据的关联，表达相邻断层间和相邻角度间投影数据的连续性关系(结合上一点)，以帮助恢复低剂量投影数据中有意义的结构和细节信息。
其中，由于网络模型是在SPECT图像重建之前对待重建的弦图进行预处理，对弦图进行恢复和散射校正，预处理之后再用合适的重建算法对处理后的弦图进行重建得到断层图像。因此我们的损失函数中需要约束重建的结果，为了避免基于迭代的重建算法计算量太大，采用了弦图滤波反投影的结果作为损失函数，从而能够用一个简单的重建过程来约束重建的结果，重建损失函数具体为：
式中，F表示本发明所用的模型；表示为模型输入，即弦图的投影数据；G表示为模型的标签数据；Fb表示为滤波反投影算法。重建损失函数所用波器为Ram-Lak，离散的R-L滤波函数RL为
式中，T为滤波的周期，n为整数。
其中，弦图周期性损失函数具体为：
弦图具有最小周期t＝2π，即
式中，u表示探测单元的位置，θ表示旋转角度。所以若将若干张同样的弦图按照角度方向拼凑起来，任意几个连续的角度所采集到的数据都应该是连续的弦线，所以将新弦图放入到SCASC模型中训练，约束这两个区域的相似性，保证弦图的周期性，确定弦图周期性损失函数的具体公式为：
式中，u表示探测单元的位置，θ表示旋转角度；表示为弦图的第k行元素。
具体的，对于低剂量的弦图，由于包含的光子数较少，从图像上来看，行与行之间会出现明显的断层。因此可以设计角度平滑损失函数来约束这种断层的现象。角度平滑损失函数具体为：
式中，表示弦图的第i列元素；θ表示旋转角度。
在本实施例中，在所述步骤二中，模型参数的初始化使用正态分布方法，使用Adam优化方法传播模型损失并更新参数，为了使得训练过程平稳收敛，使用“poly”学习率调整策略，调整公式为：
式中，为初始学习率；epoch为当前训练迭代次数；max_epoch为最大训练迭代次数；power为衰减因子。
本实施例的工作原理：SCASC-Net模型的网络结构主体部分是一个编码器-解码器结构，并且利用注意力机制引入弦图角度和切片之间的关联信息。其中，注意力机制包括空间注意力模块和通道注意力模块，该两个模块为现有的模块结构，能够分别对空间维度和通道维度的语义进行相互关联，在上述方案中，通过在网络中增加空间注意力模块和通道注意力模块来关联弦图的先验知识。在该方案中合并V张连续的弦图作为一个V通道的样本，同时利用通道注意力模块和空间注意力模块来建立这两个方向的关联，具体地，我们把一张弦图当作样本的一个通道，弦图之间的关联由通道注意力模块建立，而弦图内部各行数据之间的关联则由空间注意力模块建立。相邻断层间的投影数据具有连续性，同时相邻角度间也具有连续性(即相邻断层和角度间的数据应有相似结构)。通过建立不同断层和不同角度间数据的连续性，因此通过空间注意力模块和通道注意力模块关联投影数据角度之间的联系，同时关联相邻断层图像之间在投影数据域的关系，能够恢复投影数据中有意义的结构，同时避免在降噪的过程中模糊化细节信息，使得恢复后的弦图尽可能地保留细节。经过上述方法对弦图进行预处理后，弦图的细节能够保留，再通过使用预处理后的弦图进行图像的重建，最终能够获得高质量的SPECT断层图像。
本实施例的有益效果:针对于低剂量SPECT投影数据的特点和其在角度方向的连续性，本发明所提供的网络模型在进行低剂量弦图恢复和散射校正的同时，通过空间注意力模块和通道注意力模块能够发现投影数据角度之间的联系，同时也能关联到相邻断层图像之间在投影数据域的关系，使得恢复后的弦图尽可能地保留细节，如图2-9所示。经过上述方法对弦图进行预处理后，弦图的细节能够保留，再通过使用预处理后的弦图进行图像的重建，最终能够获得高质量的SPECT断层图像，如图10-13所示。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种低剂量SPECT弦图恢复和散射校正的方法，其特征在于，包括如下步骤：
步骤一：生成投影数据并进行标准化处理；
步骤二：将生成的投影数据输入至SCASCNet模型中进行模型训练；所述SCASCNet模型通过编码器提取投影数据的特征后同时输入至通道注意力模块和空间注意力模块中；通道注意力模块和空间注意力模块中输出特征在通道维度上进行拼接，作为解码器的初始输入；解码器对所输入的特征进行逐步上采样至原图大小，最终输出𝑉通道的预测图；将预测图与真实的弦图作对比并计算误差，使用梯度下降法反向传导更新模型参数，从而完成模型的训练；所述编码器结构为MobileNetV2的网络框架，其包括5个阶段，并将该网络框架中移动步长为2的卷积操作改为1；在将该网络框架的前三个阶段加入步长为2的最大池化操作并保留最大值及其索引，该网络框架的最后两个阶段不作任何下采样操作；所述解码器结构为MobileNetV2的网络框架，其包括5个阶段且每个阶段均设置有一层卷积层；每个阶段使用跳层连接；所述解码器直接使用所述编码器的最大池化操作保留的最大值及其索引，其中最大值由卷积层估计得到；编码器通过Sigmoid函数，使得输出图像的像素值都在[0,1]的范围内；
所述SCASCNet模型的损失函数为
式中，表示为重建损失函数；/>表示为重建损失函数的系数；/>表示为弦图周期性损失函数；/>表示为弦图周期性损失函数的系数；/>表示为角度平滑损失函数；/>表示为角度平滑损失函数的系数；/>表示为基础函数；
步骤三：将低剂量SPECT弦图数据输入至步骤二的训练好的模型中，对弦图进行恢复和散射校正。
2.根据权利要求1所述的一种低剂量SPECT弦图恢复和散射校正的方法，其特征在于，重建损失函数具体为：
式中，表示为模型输入，即弦图的投影数据；/>表示为模型的标签数据；/>表示为滤波反投影算法。
3.根据权利要求1所述的一种低剂量SPECT弦图恢复和散射校正的方法，其特征在于，重建损失函数所用滤波器为Ram-Lak，离散的Ram-Lak滤波函数为
式中，T为滤波的周期，n为整数。
4.根据权利要求1所述的一种低剂量SPECT弦图恢复和散射校正的方法，其特征在于，弦图周期性损失函数具体为：
式中，表示探测单元的位置，/>表示旋转角度；/>表示为弦图的第/>行元素。
5.根据权利要求1所述的一种低剂量SPECT弦图恢复和散射校正的方法，其特征在于，角度平滑损失函数具体为：
式中，表示弦图的第/>列元素；/>表示旋转角度。
6.根据权利要求1所述的一种低剂量SPECT弦图恢复和散射校正的方法，其特征在于，在步骤一，投影数据通过使用模拟核医学成像探测板程序生成，在该程序中选择𝑛=1000的投影数据作为高剂量无散射的基准数据，选择𝑛=1和𝑛=10的数据作为低剂量带散射的数据。
7.根据权利要求1所述的一种低剂量SPECT弦图恢复和散射校正的方法，其特征在于，在所述步骤二中，模型参数的初始化使用正态分布方法，使用Adam优化方法传播模型损失并更新参数，调整公式为：
式中，为初始学习率；/>为当前训练迭代次数；/>为最大训练迭代次数；为衰减因子。
CN202110945485.1A 2021-08-17 2021-08-17 一种低剂量spect弦图恢复和散射校正的方法 Active CN113744356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110945485.1A CN113744356B (zh) 2021-08-17 2021-08-17 一种低剂量spect弦图恢复和散射校正的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110945485.1A CN113744356B (zh) 2021-08-17 2021-08-17 一种低剂量spect弦图恢复和散射校正的方法

Publications (2)

Publication Number Publication Date
CN113744356A CN113744356A (zh) 2021-12-03
CN113744356B true CN113744356B (zh) 2024-05-07

Family

ID=78731564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110945485.1A Active CN113744356B (zh) 2021-08-17 2021-08-17 一种低剂量spect弦图恢复和散射校正的方法

Country Status (1)

Country Link
CN (1) CN113744356B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298900A (zh) * 2019-06-25 2019-10-01 中山大学 一种基于各向异性基函数建立spect重构的方法
CN110728729A (zh) * 2019-09-29 2020-01-24 天津大学 一种基于注意机制的无监督ct投影域数据恢复方法
CN112656438A (zh) * 2020-12-17 2021-04-16 中山大学 一种基于曲面全变差的低剂量ct投影域去噪及重建方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11315221B2 (en) * 2019-04-01 2022-04-26 Canon Medical Systems Corporation Apparatus and method for image reconstruction using feature-aware deep learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298900A (zh) * 2019-06-25 2019-10-01 中山大学 一种基于各向异性基函数建立spect重构的方法
CN110728729A (zh) * 2019-09-29 2020-01-24 天津大学 一种基于注意机制的无监督ct投影域数据恢复方法
CN112656438A (zh) * 2020-12-17 2021-04-16 中山大学 一种基于曲面全变差的低剂量ct投影域去噪及重建方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于图像线性融合的低剂量CT成像;李大鹏 等;中国医学物理学杂志;第33卷(第8期);第814-817页 *

Also Published As

Publication number Publication date
CN113744356A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN109166161B (zh) 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统
Cui et al. PET image denoising using unsupervised deep learning
CN108961237B (zh) 一种基于卷积神经网络的低剂量ct图像分解方法
CN111627082B (zh) 基于滤波反投影算法和神经网络的pet图像重建方法
CN111429379B (zh) 一种基于自监督学习的低剂量ct图像去噪方法及系统
Yuan et al. Half2Half: deep neural network based CT image denoising without independent reference data
US10867375B2 (en) Forecasting images for image processing
Xue et al. LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks
Zhang et al. PET image reconstruction using a cascading back-projection neural network
Schnurr et al. Simulation-based deep artifact correction with convolutional neural networks for limited angle artifacts
Zhang et al. Accurate and robust sparse‐view angle CT image reconstruction using deep learning and prior image constrained compressed sensing (DL‐PICCS)
Xue et al. A 3D attention residual encoder–decoder least-square GAN for low-count PET denoising
Feng et al. Rethinking PET image reconstruction: ultra-low-dose, sinogram and deep learning
Feng et al. Dual residual convolutional neural network (DRCNN) for low-dose CT imaging
Xia et al. Deep residual neural network based image enhancement algorithm for low dose CT images
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
Zhang et al. Denoising swin transformer and perceptual peak signal-to-noise ratio for low-dose CT image denoising
CN116245969A (zh) 一种基于深度神经网络的低剂量pet图像重建方法
Zhang et al. Deep generalized learning model for PET image reconstruction
CN113744356B (zh) 一种低剂量spect弦图恢复和散射校正的方法
Kim et al. CNN-based CT denoising with an accurate image domain noise insertion technique
CN111080736A (zh) 一种基于稀疏变换的低剂量ct图像重建方法
Yang et al. Improve 3D cone-beam CT reconstruction by slice-wise deep learning
Ma et al. Low dose CT reconstruction assisted by an image manifold prior
CN113436118B (zh) 一种基于多尺度卷积编码网络的低剂量ct图像复原方法

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