一种PET放射性活度分布的获取方法、PET系统与流程

本发明涉及医学成像，尤其涉及一种pet放射性活度分布的获取方法、pet系统。

背景技术：

1、正电子发射断层显像pet(positron emission tomography)作为当前核医学领域中最先进的临床检查影像技术之一。放射性核素发射的正电子与人体内部的电子发生湮灭，产生两个方向相反，能量为511kev的光子。光子对被pet系统获取之前，会在人体内进行衰减，较之物体内部，人体表面的光子对事件有着更大的探测效率。如果这种射线衰减效应没有被校正，重建图像中会产生人体边缘影像过亮，内部组织影像过暗的衰减伪影。pet系统通常会集成其他模态系统(比如ct、mri等)以获取患者的解剖结构成像，一方面可以对核素分布情况进行精确定位，提高了病灶定位的准确性；另一方面对应得到患者的组织密度分布用于pet图像重建中的衰减校正，可以获得放射性药物在患者体内的准确分布。pet功能成像和其他模态的解剖结构成像最终将进行同机融合，兼容功能成像和解剖成像的优点，达到早期发现病灶和诊断疾病的目的，对肿瘤和心脏、脑部疾病的诊治指导更具优势。

2、然而在多模态采集应用中，有时无法准确获得与pet图像相匹配的衰减信息，导致衰减校正错误，最终导致pet图像上产生明显伪影。为了能够准确校正衰减伪影，拓宽pet成像应用场景，关键在于能否从pet采集数据中直接提取衰减信息而不依赖于其他模态成像。现有算法需要经过多次迭代以逼近理想值，这导致迭代收敛运算时间过长，通常需要配套更高水平的计算资源(比如高性能gpu)，增加了使用成本。另外迭代算法无法确保计算结果收敛到全局最优解，而是有可能会收敛到局部最优解。为了避免这种情况的发生，需要在迭代算法中加入很多限制和保护，也需要设置调节参数，这降低了算法的稳定性和鲁棒性。

技术实现思路

1、(一)要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本发明提供一种pet放射性活度分布的获取方法、pet系统。

3、(二)技术方案

4、为了达到上述目的，本发明采用的主要技术方案包括：

5、第一方面，本发明实施例提供一种pet放射性活度分布的获取方法，其包括：

6、s10、针对用于医学影像图像重建的探测数据，获取该探测数据的未作衰减校正的第一pet图像和近似衰减校正的第二pet图像，所述第二pet图像是基于指定区域的线性衰减校正系数经验值对第一pet图像进行衰减校正后重建的图像；

7、s20、根据预先构建的从pet先验图像α到线性衰减系数图像μ的映射，和已知的未知数为pet放射性活度分布x和线性衰减系数分布μ的对数似然函数，获取带约束项的对数似然函数，所述约束项为所述从pet先验图像α到线性衰减系数图像μ的映射；

8、所述pet先验图像α为未作衰减校正的第一pet图像和/或近似衰减校正的第二pet图像；所述带约束项的对数似然函数中未知数为：x、μ和所述映射的参数；

9、s30、根据所述带约束项的对数似然函数，采用迭代算法最大化约束项的对数似然函数，达到结束条件时，获得pet放射性活度分布x的估计值；

10、所述迭代算法最大化约束项的对数似然函数中x、μ和所述映射的参数的初始值为指定值。

11、本实施例的结束条件是要迭代到对数似然函数收敛，实际应用时可考虑迭代时间和噪声影响，通常会依据经验给出推荐的迭代终止值。

12、可选地，所述s20之前，预先构建从pet先验图像α到线性衰减系数图像μ的映射；

13、所述映射包括：

14、μ＝f(θ|α)  公式(1)

15、f表示训练模型的映射，θ表示映射的参数，α表示训练模型的输入。

16、可选地，所述s20包括：

17、针对已知的对数似然函数l和μ＝f(θ|α)，获得带约束项的对数似然函数为：

18、

19、其中，ρ为超参数，用来调节对数似然函数和学习网络惩罚项之间的权重，δμ为线性衰减系数图像μ的变化步长，x表示pet放射性活度分布，y表示探测数据。

20、可选地，针对公式(2)，基于已知求解算法采用交替策略最大化带约束项的对数似然函数lρ，获得满足最大化带约束项的对数似然函数lρ要求的x的估计值，作为输出值；

21、其中，交替迭代策略包括：在迭代过程中每一步只更新一个变量而固定另外两个变量，如此交替重复更新；

22、具体地，映射参数θ为作为训练模型的cnn网络、unet网络或gan网络预训练生成的加速收敛速度的初始值；

23、衰减系数分布μ的初始值为0或近似衰减校正的第二图像

24、pet放射性活度分布x的初始值为设定值；即全空间正常数分布的数值/全空间的像素值均为1000；

25、所述已知求解算法为mlem、osem或map。

26、本实施例中为了加速收敛速度，可以先进行预训练网络生成通用网络参数作为网络参数迭代初始值，然后再针对特定扫描患者做微调。

27、上述的预训练可理解为利用大量训练数据，训练模型完成从先验pet图像到线性衰减系数图像的映射。预训练的网络参数可以作为网络微调过程的起始值，使得模型收敛更快。

28、可选地，针对公式(2)，保持pet放射性活度分布x为常数，针对未知衰减系数分布μ和映射参数θ最大化带约束项的对数似然函数lρ，利用交替方向乘子admm迭代算法求解，过程分为以下三步：

29、

30、

31、

32、其中，n表示当前迭代次数，n迭代满足结束条件(即推荐的迭代终止值)；在使用admm算法中将约束优化问题解耦为l2范数作为损失函数的网络训练子问题-对应公式(8)和带惩罚项的μ的求解子问题-对应公式(9)；

33、具体地，先保持线性衰减系数分布μ和增加步长δμ不变，基于公式(8)更新θ；基于公式(9)然后保持θ和δμ不变，迭代更新μ；基于公式(10)保持μ和θ不变，更新δμ，如此迭代逼近最优解。

34、δμ是为了求解μ和θ而加入的一个中间变量，表示μ的变化量。这个μ的变化量来源于公式(2)，是因为在对数似然函数构建时，需要单独对δμ做一个限制(即δμ的l2-norm)，确保μ的变化幅度不要太大。

35、可选地，在医学影像图像为pet图像时，所述s10之前，所述方法还包括：

36、s00、基于已重建的医学影像图像及匹配的关联图像，获取用于训练模型的训练样本；

37、其中，每一训练样本包括：已重建的pet图像/模拟仿真的pet图像，该pet图像对应的近似线性衰减校正系数、该pet图像对应的其他模态图像，所述其他模态图像用于获取真实的线性衰减校正系数，该真实线性衰减校正系数用于验证训练后的模型是否收敛；

38、s01、基于训练样本对模型进行训练，获得训练的模型；

39、训练后的模型中映射参数θ使得优化训练模型的损失函数φ值最小。

40、可选地，基于训练样本对模型进行训练，包括：

41、将每一训练样本的近似线性衰减校正系数输入模型，获得输出，将该输出与该训练样本中其他模态图像得到的真实线性衰减校正系数借助于损失函数φ进行比较；

42、和/或，

43、将每一训练样本的已经重建无衰减的pet图像输入模型，获得输出，并将该输出与该训练样本中其他模态图像得到的真实线性衰减校正系数借助于损失函数φ进行比较；

44、和/或，

45、将每一训练样本的已经重建无衰减的pet图像和近似线性衰减校正系数求和，求和后的图像输入模型，获得输出，并将该输出与该训练样本中其他模态图像得到的真实线性衰减校正系数借助于损失函数φ进行比较；

46、损失函数φ为l1范数、l2范数、kl散度中的一种或多种，用于刻度训练中模型每一输出与该输出所属的真实线性衰减校正系数的相似性。

47、第二方面，本发明实施例还提供一种pet系统，包括：存储器和处理器；所述存储器中存储有计算机程序指令，所述处理器执行所述存储器中存储的计算机程序指令，具体执行上述第一方面任一所述的方法。

48、第三方面，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面任一项所述的一种pet放射性活度分布的获取方法。

49、(三)有益效果

50、为了提高线性衰减系数迭代算法的收敛速度和结果稳定性，本发明实施例中可预先构建将pet先验图像映射为线性衰减系数图像的映射，并将映射参数和线性衰减系数共同加入到pet放射性活度分布的最大似然函数l的迭代求解过程中。当前算法将更准确的线性衰减系数估计作为起点进行迭代，以达到优化收敛路径，尽快收敛到全局最优解的目的，增加了算法的稳定性和定量性、准确性。

51、进一步地，采用深度学习网络映射自适应得到适合当前pet扫描数据的映射参数，从而得到更加准确的线性衰减系数图像估计，并应用于最大似然函数l迭代优化算法中，相比于原始算法使用的初始值(全成像视野均匀线性衰减系数图像或其他模态图像转换得到的线性衰减系数图像)可不依赖其他模态图像，同时能够有效优化收敛路径，提高了可靠性。

52、另外，深度学习提取的衰减信息来源于pet图像，不存在多模态图像之间的不匹配，在收敛调节过程中可以避免运动和截断伪影。