CN116245969A - 一种基于深度神经网络的低剂量pet图像重建方法 - Google Patents
一种基于深度神经网络的低剂量pet图像重建方法 Download PDFInfo
- Publication number
- CN116245969A CN116245969A CN202310332957.5A CN202310332957A CN116245969A CN 116245969 A CN116245969 A CN 116245969A CN 202310332957 A CN202310332957 A CN 202310332957A CN 116245969 A CN116245969 A CN 116245969A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- deep neural
- sinogram
- low
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000002600 positron emission tomography Methods 0.000 description 33
- 238000003384 imaging method Methods 0.000 description 6
- 238000012879 PET imaging Methods 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 231100000722 genetic damage Toxicity 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种基于深度神经网络的低剂量PET图像重建方法，具体为：将标准剂量重建的影像数据增强后前向投影生成无噪声投影域数据，添加泊松噪声模拟低剂量情形，生成仿真数据集；通过将图像分块并投影的方式生成正弦图掩码；利用掩码构建网络模型，使用混合损失函数和生成的数据集对深度神经网络进行训练；根据评价指标，判断图像重建效果是否满足要求：满足则进入下一步；否则更改网络结构，修改优化函数、学习率和损失函数的参数，重新训练；通过截断奇异值分解减少全连接层参数；将实际采集的正弦图数据，作为深度神经网络模型的输入，计算得到重建的影像。本发明减少了图像重建的计算时间，提高了低计数率情形下重建影像的信噪比。
Description
技术领域
本发明涉及核医学成像技术领域，特别地是一种基于深度神经网络的低剂量PET(正电子发射断层显像仪)图像重建方法。
背景技术
正电子发射断层显像仪是医学疾病诊断常用的医学影像之一,通过给患者注射放射性示踪剂，PET可以检测人体组织在分子层面的代谢活动和生理过程，但示踪剂的放射性会对患者造成潜在的辐射风险，造成遗传损伤和癌变疾病，然而如果减少示踪剂浓度和检测时间，然而这会使得检测到的光子减少，重建的影像出现严重的伪影和噪声。
常用的反投影滤波算法和迭代重建后滤波算法都存在一些不足：反投影滤波算法的计算速度快，但是重建影像质量差，噪声大等缺点；迭代重建算法考虑了噪声模型，能更好的恢复图像细节，抑制噪声，但是其消耗的计算资源较多，重建时间长。此外，在低剂量成像中，由于获取的正弦图计数率低，存在的统计学噪声多，两种算法重建的影像会出现严重的噪声和细节丢失等现象。
总之，现有的算法在低剂量成像的应用中存在重建时间长和图像信噪比低等问题。
发明内容
本发明的目的在于提供一种快速、准确的基于深度神经网络的低剂量PET图像重建方法。
实现本发明目的的技术解决方案为：一种基于深度神经网络的低剂量PET图像重建方法，步骤如下：
步骤S1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集；
步骤S2、通过将图像分块并前向投影，生成正弦图掩码；
步骤S3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练；
步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练；
步骤S5、基于截断奇异值分解减小网络参数；
步骤S6、将真实PET系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像。
本发明与现有技术相比，其显著优点为：(1)可以直接从投影域的正弦图数据重建为PET影像数据，不需要迭代重建，所需时间短，在全身PET成像和动态成像能够快速成像；(2)提出网络能更好的保留图像的细节，减少重建影像的噪声和伪影，在低计数的情形下仍能减少噪声、提高信噪比。
附图说明
图1是本发明基于深度神经网络的低剂量PET图像重建的流程图。
图2是本发明生成仿真数据的过程示例图。
图3是本发明生成的正弦图掩码的示例图。
图4是使用的深度神经网络结构图。
图5是网络重建的影像的实例图。
具体实施方式
本发明的目的在于提供一种基于深度神经网络的的低剂量正电子发射断层显像仪的图像重建方法，解决传统迭代重建算法存在的重建时间长，和低计数率情形下，重建影像信噪比低，细节模糊等问题。
结合图1，本发明一种基于深度神经网络的的低剂量正电子发射断层显像仪(PET)的图像重建方法，包括以下步骤：
步骤S1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集；
步骤S2、通过将图像分块并前向投影，生成正弦图掩码；
步骤S3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练；
步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练；
步骤S5、基于截断奇异值分解减小网络参数；
步骤S6、将真实PET系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像。
作为一种具体示例，步骤S1中，仿真数据集的生成过程具体如下：
S11、将标准剂量重建的PET影像通过随机旋转，镜像翻转，上下左右平移的方式生成不同形状PET影像；
S12、基于投影矩阵将PET影像前向投影生成无噪声正弦图；
S13、将无噪声正弦图归一化特定计数率区间并添加泊松噪声，得到仿真数据集。
作为一种具体示例，步骤S2中，生成正弦图掩码，具体如下：
S21、将PET图像分块，每个分块由缓冲区包围；
S22、将分块后的影像前向投影，生成正弦图，将正弦图二值化作为正弦图的掩码。
作为一种具体示例，步骤S3中所述构建深度神经网络模型结构，设置训练超参数、优化算法，其中优化算法采用Adam算法，网络模型结构如下：
深度神经网络模型结构包含域变换模块和图像增强模块；
域变换模块包含掩码选择和全连接层两个部分；掩码选择部分使用预先生成的掩码选取特定区域的正弦图数据，输入到全连接层中，将输出的一维数据重组为二维的图像块，并将这些图像块组合；
图像增强模块由一个U-Net结构的网络组成，包含了编码器、瓶颈层和解码器三个部分，编码器有3层，每一层由1个残差块构成，每一层的输出作为下一层的输入和对应编码器层的输入；瓶颈层包含1个残差块；解码器和编码器的层数相同，每一层包含1个像素重排层用于上采样和1个残差块用于特征的解码；解码器最后一层输出的特征图经过1×1卷积后输出PET影像。
作为一种具体示例，步骤S3中所述使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练，其中混合损失函数Lmix(x,y)的公式如下：
Lmix(x,y)＝α1Ll1(x,y)+α2LMS-SSIM(x,y)+βLVGG(x,y)
其中α1，α2和β为超参数；
平均绝对误差损失Ll1(x,y)公式为：
其中，x表示实际的PET影像，y表示深度神经网络模型输出的预测PET影像，N表示真实影像的像素个数；
多尺度结构相似度损失LMS-SSIM(x,y)公式为：
其中，cj、sj分别表示将原图像进行j次连续的低通滤波和采样间隔为2的下采样后计算对比度项、结构项，M表示连续的低通滤波总次数；
亮度项l(x,y)公式为：
对比度项c(x,y)公式为：
结构项s(x,y)公式为：
其中，μx,μy分别代表x和y的均值，σx,σy分别代表x和y的标准差，σxy表示x和y的协方差，C1,C2,C3是常数值，满足：
C1＝(K1L)2
C2＝(K2L)2
C3＝C2/2
其中K1＝0.01,K2＝0.03,L表示数值范围；
感知差损失LVGG(x,y)的公式如下：
其中，C为经过VGG网络前3个卷积层计算输出的特征的通道的个数，H和W分别为特征图的高和宽；计算时，单通道的PET影像被复制并拼接成为三通道的图像后再输入到VGG网络中。
作为一种具体示例，步骤S5中所述的基于截断奇异值分解减小网络参数，过程如下：
S51、将全连接层权重矩阵W奇异值分解为W＝UΣVT；U是左奇异矩阵，Σ是对角矩阵，VT是右奇异矩阵；
S52、取若干个最大的奇异值和奇异值向量得到权重矩阵的近似WK≈W，其中
ΣK是由若干个最大的奇异值组成的对角阵，UK和VK是由奇异值向量组成的矩阵；
S53、将Uk和
作为权重矩阵生成两个新的全连接层，并替换原来的单层全连层。
本发明可以直接从投影域的正弦图数据重建为PET影像数据，不需要迭代重建，所需时间短，在全身PET成像和动态成像能够快速成像。在低计数的情形下仍能减少噪声、提高信噪比，临床常用的算法如反投影滤波算法有序子集最大期望算法，即使经过图像后滤波后，在低计数的情形下，重建的影像的信噪比仍较低，图像细节模糊，相较于这些算法，本发明提出网络能更好的保留图像的细节，减少重建影像的噪声和伪影。
实施例
结合图1，本实施例基于深度神经网络的低剂量正电子发射断层显像仪的图像重建，包括以下步骤：
步骤S1、将标准剂量重建的PET影像进行数据增强，使用系统矩阵前向投影生成无噪声正弦图，添加泊松噪声模拟低计数情形；
更进一步的，方法步骤如下：
S11、通过将2D PET影像随机顺时针旋转-30°至+30°，然后随机左右镜像翻转，随机水平方向和垂直方向平移-10至10个单位。
S12、基于multiray tracing算法模拟Biograph mMR的系统矩阵，使用系统矩阵前向投影生成无噪声正弦图数据。
S13、将无噪声正弦图数据计数率随机归一化至50000至100000之间，并添加泊松噪声，模拟低计数情形，整个过程如图2所示。
步骤S2、将PET影像分为多个子块，每个子块由固定宽度的缓冲区包围，使用系统矩阵前向投影生成无噪声正弦图数据，取其中的非负值区域作为掩码；
更进一步的，方法步骤如下：
S21、将大小为128×128的PET影像分为16个32×32的子块，每个子块由宽度为4的缓冲区包围，子块和缓冲区的数值设为100，其他区域均设为0；
S22、将每个包含一个子块的PET影像使用系统矩阵前向投影，得到和子块区域相关的正弦图，将正弦图二值化，非负区域全部置为，1其余设为0，作为正弦图掩码，过程如图3所示；
步骤S3、调整深度神经网络结构，优化算法，损失函数，使用生成数据集训练。
所述卷积神经网络结构如图4所示，深度神经网络模型结构包含域变换模块和图像增强模块，域变换模块包含了掩码选择和全连接层两个部分。掩码选择部分使用预先生成的掩码选取特定区域的正弦图数据，输入到全连接层中，将输出的一维数据重组为二维的图像块，并将这些图像块组合。图像增强模块由一个U-Net结构的网络组成，包含了编码器、瓶颈层和解码器三个部分，编码器有3层，每一层由1个残差块构成，每一层的输出作为下一层的输入和对应编码器层的输入；瓶颈层包含1个残差块；解码器和编码器的层数相同，每一层包含1个像素重排层用于上采样和1个残差块用于特征的解码；解码器最后一层输出的特征图经过1×1卷积后输出PET影像。
所使用的混合损失函数公式如下：
Lmix(x,y)＝a1Ll1(x,y)+α2LMS-SSIM(x,y)+βLVGG(x,y)
其中α1，α2和β为超参数；
平均绝对误差损失Ll1(x,y)公式为：
其中，x表示实际的PET影像，y表示深度神经网络模型输出的预测PET影像，N表示真实影像的像素个数；
多尺度结构相似度损失LMS-SSIM(x,y)公式为：
其中，cj、sj分别表示将原图像进行j次连续的低通滤波和采样间隔为2的下采样后计算对比度项、结构项，M表示连续的低通滤波总次数；
亮度项l(x,y)公式为：
对比度项c(x,y)公式为：
结构项s(x,y)公式为：
其中，μx,μy分别代表x和y的均值，σx,σy分别代表x和y的标准差，σxy表示x和y的协方差，C1,C2,C3是常数值，满足：
C1＝(K1L)2
C2＝(K2L)2
C3＝C2/2
其中K1＝0.01,K2＝0.03,L表示数值范围。
感知差损失LVGG(x,y)的公式如下:
其中C为经过VGG网络前3个卷积层计算输出的特征的通道的个数，H和W分别为特征图的高和宽。计算时，单通道的PET影像被复制并拼接成为三通道的图像后再输入到VGG网络中。
步骤S4，通过评价指标如结构相似度，峰值信噪比的大小判断图像重建效果是否满足要求，若满足则调制步骤S5；否则对模型结构、参数调整，并转至步骤S3重新训练。
步骤S5、基于截断奇异值分解，将每个子块对应的单个全连接层分解为两个小全连接层，减少网络参数。
更进一步的，方法步骤如下：
S51、将原先秩均为1024的权重矩阵W奇异值分解为W＝UΣVT；
S52、取128个最大的奇异值和对应的奇异向量得到权重矩阵的近似WK≈W,其中
S53、使用UK和
作为参数生成两个新的全连接层代替权重矩阵为W的全连接层；
步骤S6、对于实际采集的正弦图数据使用上述训练的网络重建影像，图5是网络重建的影像的实例图。
综上所述，本发明直接从低剂量正弦图数据重建PET影像，不需要对正弦图滤波和迭代重建等步骤，减少了计算时间，可以在全身PET成像，动态成像中应用。此外，本发明抗噪声能力强，常用的图像重建算法如反投影滤波算法和迭代重建后滤波算法，在低计数的情况下重建的影像会出现噪声严重，细节丢失和出现伪影等现象。本发明通过在数据集生成阶段生成了大量的低计数的正弦图数据，提高了网络对低计数情形下图像重建的效果，提高了重建影像的信噪比和结构相似度。
Claims (6)
1.一种基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤如下：
步骤S1、标准剂量重建影像经数据增强后，通过前向投影生成无噪声正弦图，添加泊松噪声生模拟低计数情形，得到仿真数据集；
步骤S2、通过将图像分块并前向投影，生成正弦图掩码；
步骤S3、使用上述掩码构建深度神经网络模型结构，设置训练超参数、优化算法，使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练；
步骤S4、根据结构相似度、峰值信噪比这些评价指标，判断图像重建效果是否满足要求，若满足则进入调制步骤S5；不满足则更改网络结构，修改优化函数、学习率和损失函数这些参数的数值，并转至步骤S3重新训练；
步骤S5、基于截断奇异值分解减小网络参数；
步骤S6、将真实PET系统采集的正弦图数据，作为训练后深度神经网络模型的输入，经计算得到重建的影像。
2.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S1中，仿真数据集的生成过程具体如下：
S11、将标准剂量重建的PET影像通过随机旋转，镜像翻转，上下左右平移的方式生成不同形状PET影像；
S12、基于投影矩阵将PET影像前向投影生成无噪声正弦图；
S13、将无噪声正弦图归一化特定计数率区间并添加泊松噪声，得到仿真数据集。
3.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S2中，生成正弦图掩码，具体如下：
S21、将PET图像分块，每个分块由缓冲区包围；
S22、将分块后的影像前向投影，生成正弦图，将正弦图二值化作为正弦图的掩码。
4.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S3中所述构建深度神经网络模型结构，设置训练超参数、优化算法，其中优化算法采用Adam算法，网络模型结构如下：
深度神经网络模型结构包含域变换模块和图像增强模块；
域变换模块包含掩码选择和全连接层两个部分；掩码选择部分使用预先生成的掩码选取特定区域的正弦图数据，输入到全连接层中，将输出的一维数据重组为二维的图像块，并将这些图像块组合；
图像增强模块由一个U-Net结构的网络组成，包含了编码器、瓶颈层和解码器三个部分，编码器有3层，每一层由1个残差块构成，每一层的输出作为下一层的输入和对应编码器层的输入；瓶颈层包含1个残差块；解码器和编码器的层数相同，每一层包含1个像素重排层用于上采样和1个残差块用于特征的解码；解码器最后一层输出的特征图经过1×1卷积后输出PET影像。
5.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S3中所述使用混合损失函数和步骤S1得到的数据集对深度神经网络模型进行训练，其中混合损失函数Lmix(x,y)的公式如下：
Lmix(x,y)＝α1Ll1(x,y)+α2LMS-SSIM(x,y)+βLVGG(x,y)
其中α1，α2和β为超参数；
平均绝对误差损失Ll1(x,y)公式为：
其中，x表示实际的PET影像，y表示深度神经网络模型输出的预测PET影像，N表示真实影像的像素个数；
多尺度结构相似度损失LMS-SSIM(x,y)公式为：
其中，cj、sj分别表示将原图像进行j次连续的低通滤波和采样间隔为2的下采样后计算对比度项、结构项，M表示连续的低通滤波总次数；
亮度项l(x,y)公式为：
对比度项c(x,y)公式为：
结构项s(x,y)公式为：
其中，μx,μy分别代表x和y的均值，σx,σy分别代表x和y的标准差，σxy表示x和y的协方差，C1,C2,C3是常数值，满足：
C1＝(K1L)2
C2＝(K2L)2
C3＝C2/2
其中K1＝0.01,K2＝0.03,L表示数值范围；
感知差损失LVGG(x,y)的公式如下：
其中，C为经过VGG网络前3个卷积层计算输出的特征的通道的个数，H和W分别为特征图的高和宽；计算时，单通道的PET影像被复制并拼接成为三通道的图像后再输入到VGG网络中。
6.根据权利要求1所述的基于深度神经网络的低剂量PET图像重建方法，其特征在于，步骤S5中所述的基于截断奇异值分解减小网络参数，过程如下：
S51、将全连接层权重矩阵W奇异值分解为W＝UΣVT；U是左奇异矩阵，Σ是对角矩阵，VT是右奇异矩阵；
S52、取若干个最大的奇异值和奇异值向量得到权重矩阵的近似WK≈W，其中
ΣK是由若干个最大的奇异值组成的对角阵，Uk和Vk是由奇异值向量组成的矩阵；
S53、将UK和
作为权重矩阵生成两个新的全连接层，并替换原来的单层全连层。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310332957.5A CN116245969A (zh) | 2023-03-30 | 2023-03-30 | 一种基于深度神经网络的低剂量pet图像重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310332957.5A CN116245969A (zh) | 2023-03-30 | 2023-03-30 | 一种基于深度神经网络的低剂量pet图像重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116245969A true CN116245969A (zh) | 2023-06-09 |
Family
ID=86626200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310332957.5A Pending CN116245969A (zh) | 2023-03-30 | 2023-03-30 | 一种基于深度神经网络的低剂量pet图像重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245969A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740217A (zh) * | 2023-08-10 | 2023-09-12 | 同心智医科技(北京)有限公司 | 基于人工智能技术的动脉自旋标记方法、装置及存储介质 |
-
2023
- 2023-03-30 CN CN202310332957.5A patent/CN116245969A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740217A (zh) * | 2023-08-10 | 2023-09-12 | 同心智医科技(北京)有限公司 | 基于人工智能技术的动脉自旋标记方法、装置及存储介质 |
| CN116740217B (zh) * | 2023-08-10 | 2023-10-20 | 同心智医科技(北京)有限公司 | 基于人工智能技术的动脉自旋标记方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN111627082B (zh) | 基于滤波反投影算法和神经网络的pet图像重建方法 | |
| CN108898642A (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
| 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 | |
| CN109741254B (zh) | 字典训练及图像超分辨重建方法、系统、设备及存储介质 | |
| Shao et al. | A learned reconstruction network for SPECT imaging | |
| CN110310244A (zh) | 一种基于残差编码解码的医学图像降噪方法 | |
| Xue et al. | A 3D attention residual encoder–decoder least-square GAN for low-count PET denoising | |
| CN111325695A (zh) | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 | |
| WO2023134030A1 (zh) | 一种基于流模型的pet系统衰减校正方法 | |
| CN116245969A (zh) | 一种基于深度神经网络的低剂量pet图像重建方法 | |
| Feng et al. | Rethinking PET image reconstruction: ultra-low-dose, sinogram and deep learning | |
| He et al. | Downsampled imaging geometric modeling for accurate CT reconstruction via deep learning | |
| Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
| Li et al. | LU-Net: combining LSTM and U-Net for sinogram synthesis in sparse-view SPECT reconstruction | |
| Khaleghi et al. | Metal artifact reduction in computed tomography images based on developed generative adversarial neural network | |
| Jiao et al. | Fast PET reconstruction using multi-scale fully convolutional neural networks | |
| Kim et al. | CNN-based CT denoising with an accurate image domain noise insertion technique | |
| CN115375544A (zh) | 基于注意力和UNet网络生成对抗网络的超分辨率方法 | |
| Xu et al. | Hybrid-loss guided 3D CNN for dynamic dual-tracer PET reconstruction | |
| Shi et al. | Combination strategy of deep learning and direct back projection for high-efficiency computed tomography reconstruction | |
| Feng et al. | Multi-Dimensional Spatial Attention Residual U-Net (Msaru-Net) for Low-Dose Lung Ct Image Restoration | |
| Hu et al. | Simultaneous attenuation correction, scatter correction, and denoising in pet imaging with deep learning | |
| CN113744356B (zh) | 一种低剂量spect弦图恢复和散射校正的方法 |
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 |