本发明属于图像处理技术领域，尤其涉及一种基于稀疏投影数据的pet成像方法、装置、设备及存储介质。
背景技术：
正电子发射断层成像技术(positronemissiontomography，pet)可以从细胞及分子水平研究机体的生理或病理信息，是一种先进的现代医学影像技术，目前，该技术已经成为脑功能成像和癌症早期诊断特别重要的医学检查手段。
pet图像重建算法可以分为解析法和迭代法。解析法以滤波反投影算法为代表，其实现方法简单，但重建图像的质量较差。迭代法将物理和统计因素加入到重建过程中，分为代数迭代法和统计迭代法，其中，统计迭代算法可以更加精确地反映pet成像过程，重建图像的效果很好。然而，pet设备采用现有的这些图像重建算法对低计数、欠采样数据进行pet成像时，重建后的pet图像细节易丢失、且存在较多伪影。
技术实现要素：
本发明的目的在于提供一种基于稀疏投影数据的pet成像方法、装置、设备及存储介质，旨在解决现有技术中依据稀疏投影数据进行pet图像重建时，pet重建图像伪影噪声较多、且图像细节容易丢失的问题。
一方面，本发明提供了一种基于稀疏投影数据的pet成像方法，所述方法包括下述步骤：
接收通过pet设备扫描得到的稀疏投影数据，根据所述稀疏投影数据进行图像重建，获得pet重建图像；
通过预先训练好的生成式对抗网络中的生成器网络对所述pet重建图像进行修复处理，以得到所述pet重建图像对应的修复图像；
将所述pet重建图像对应的修复图像设置为所述稀疏投影数据对应的pet图像，输出所述稀疏投影数据对应的pet图像。
另一方面，本发明提供了一种基于稀疏投影数据的pet成像装置，所述装置包括：
pet图像重建单元，用于接收通过pet设备扫描得到的稀疏投影数据，根据所述稀疏投影数据进行图像重建，生成pet重建图像；
重建图像修复单元，用于通过预先训练好的生成式对抗网络中的生成器网络对所述pet重建图像进行修复处理，以得到所述pet重建图像对应的修复图像；以及
修复图像输出单元，用于将所述pet重建图像对应的修复图像设置为所述稀疏投影数据对应的pet图像，输出所述稀疏投影数据对应的pet图像。
另一方面，本发明还提供了一种pet设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于稀疏投影数据的pet成像所述的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于稀疏投影数据的pet成像方法所述的步骤。
本发明根据pet设备扫描得到的稀疏投影数据进行图像重建，获得pet重建图像，通过训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，获得pet重建图像对应的修复图像，将该修复图像设置为稀疏投影数据对应的pet图像并输出，从而通过训练生成式对抗网络对pet重建图像进行后处理，有效地提高了pet重建图像伪影去除、细节恢复的修复效果，提高了稀疏投影数据pet成像的图像质量。
附图说明
图1是本发明实施例一提供的基于稀疏投影数据的pet成像方法的实现流程图；
图2是本发明实施例二提供的基于稀疏投影数据的pet成像方法的实现流程图；
图3是本发明实施例二中生成器网络的结构示例图；
图4是本发明实施例二提供的基于稀疏投影数据的pet成像方法中对生成式对抗网络进行训练的实现流程图；
图5是本发明实施例三提供的基于稀疏投影数据的pet成像装置的结构示意图；
图6是本发明实施例四提供的基于稀疏投影数据的pet成像装置的结构示意图；
图7是本发明实施例四提供的基于稀疏投影数据的pet成像装置的优选结构示意图；以及
图8是本发明实施例五提供的pet设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的基于稀疏投影数据的pet成像方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤s101中，接收通过pet设备扫描得到的稀疏投影数据，根据稀疏投影数据进行图像重建，获得pet重建图像。
在本发明实施例中，在接收pet设备低计数采样得到的稀疏投影数据后，可通过预设的pet图像重建算法对稀疏投影数据进行pet图像重建，生成pet重建图像。作为示例地，pet图像重建算法可为滤波反投影算法、代数迭代法等。
在步骤s102中，通过预先训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以得到pet重建图像对应的修复图像。
在本发明实施例中，稀疏投影数据的pet重建图像上易出现图像伪影、图像细节丢失，在这里通过训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以去除pet重建图像上的图像伪影和恢复pet重建图像丢失的图像细节，该生成式对抗网络(generativeadversarialnetworks)包括生成器网络和判别器网络。
在训练时，生成器网络用于对预设训练图像集中有伪影的pet图像进行修复处理，得到相应的修复图像，判别器网络用于对该修复图像是生成器处理后的图像还是训练图像集中无伪影的pet图像进行判断，同时也用于对训练图像集中无伪影的pet图像是来自于生成器还是来自于训练图像集进行判断。生成式对抗网络的具体训练过程可参照实施例二中步骤s201和步骤s202的详细描述，在此不再赘述。
在步骤s103中，将pet重建图像对应的修复图像设置为稀疏投影数据对应的pet图像，输出稀疏投影数据对应的pet图像。
在本发明实施例中，将pet重建图像对应的修复图像设置为稀疏投影数据对应的pet图像并输出，完成基于稀疏投影数据的pet成像。
在本发明实施例中，对pet设备扫描得到的稀疏投影数据进行图像重建，生成pet重建图像，通过训练好的生成式对应网络中的生成器网络对pet重建图像进行修复，生成pet重建图像对应的修复图像，从而有效地对稀疏投影数据对应的pet重建图像进行伪影去除和细节修复，有效地提高了基于稀疏投影数据进行pet成像时的图像质量。
实施例二：
图2示出了本发明实施例二提供的基于稀疏投影数据的pet成像方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤s201中，根据预设的卷积运算、激活函数和池化操作，构建生成式对抗网络。
在本发明实施例中，生成式对抗网络包括生成器网络和判别器网络。根据预设的卷积运算、批标准化方式和激活函数，可构建得到生成器网络的子网络层，根据卷积运算、批标准化方式、激活函数和池化操作，可构建得到判别器网络的子网络层。在生成器网络的子网络层中不使用池化操作，以保证生成器网络不改变图像大小。
作为示例地，卷积运算的公式可表示为：
在本发明实施例中，将生成器网络的子网络层连接构建得到生成器网络，将判别器网络的子网络层和预设的全连接网络层连接构建得到判别器网络。其中，生成器网络中最后一层子网络层的卷积核大小可为1、激活函数可为双曲正切函数，生成器网络中剩余子网络层、判别器网络的子网络层的激活函数可为非线性整流relu函数。
优选地，在生成器网络除最后一层子网络层外剩余的子网络层中添加预设的批标准化处理，在判别器网络的第一层子网络层中也添加批标准化处理，其中，批标准化(batchnormalization)是一种自适应的重参数化算法，用于对卷积运算的输出进行重参数化，以解决深度网络训练时的梯度弥散问题。
作为示例地，批标准化的公式可表示为：
作为示例地，图3为生成器网络的结构示例图，图3中生成器网络输入有伪影的pet图像，输出对应的修复图像，每段卷积中的小矩形表示子网络，第一、二、三、四段卷积中子网络层的卷积核大小分别为7×7、5×5、3×3和3×3。
在步骤s202中，根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集，对生成式对抗网络进行训练。
在本发明实施例中，训练图像集中包括多组图像样本，每组图像样本包括有伪影的pet图像和该有伪影的pet图像对应的无伪影的pet图像。自适应矩估计算法(adaptivemomentestimation，adam)是一种随机优化算法，用于对生成器网络的目标函数、判别器网络的目标函数进行优化，随机隐退算法(dropout)按照一定的概率将生成器网络、判别器网络中的隐藏节点暂时丢弃，以防止训练得到的生成式对抗网络出现过拟合现象，在训练过程中随机隐退算法中的概率可设置为0.5。
在步骤s203中，接收通过pet设备扫描得到的稀疏投影数据，根据稀疏投影数据进行图像重建，获得pet重建图像。
在本发明实施例中，在接收pet设备低计数采样得到的稀疏投影数据后，可通过预设的pet图像重建算法对稀疏投影数据进行pet图像重建，生成pet重建图像。
在步骤s204中，通过预先训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以得到pet重建图像对应的修复图像。
在本发明实施例中，通过训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以去除pet重建图像上的图像伪影和恢复pet重建图像丢失的图像细节。
在步骤s205中，将pet重建图像对应的修复图像设置为稀疏投影数据对应的pet图像，输出稀疏投影数据对应的pet图像。
在本发明实施例中，通过自适应矩估计算法训练生成式对抗网络，通过训练好的生成式对抗网络对稀疏投影数据的pet重建图像进行后处理，以去除pet重建图像上的图像伪影、恢复pet重建图像的图像细节，从而有效地对稀疏投影数据对应的pet重建图像进行伪影去除和细节修复，有效地提高了稀疏投影数据的pet成像的图像质量。
在本发明实施例中，如图4所示，优选地，步骤s202中生成式对抗网络的训练通过下述步骤实现：
在步骤s401中，初始化自适应矩估计算法的算法参数，在训练图像集中获取当前批次图像样本。
在本发明实施例中，自适应矩估计算法即adam算法，对adam算法中的步长、偏一阶矩估计、偏二阶矩估计、偏一阶矩估计的指数衰减速率、偏二阶矩估计的指数衰减速率以及当前迭代次数进行初始化。从训练图像集中获取当前批次图像样本，每批次图像样本包括预设数量个图像样本。
在步骤s402中，根据随机隐退算法，通过生成器网络对当前批次图像样本中有伪影的pet图像进行修复处理，以得到有伪影的pet图像对应的修复图像。
在本发明实施例中，通过生成器网络对当前批次图像样本中每张有伪影的pet图像进行修复处理，在处理过程中通过随机隐退算法对生成器网络中的每个隐层节点随机地进行暂时丢弃。
在步骤s403中，根据随机隐退算法，通过判别器网络对有伪影的pet图像对应的修复图像、无伪影的pet图像分别进行分类。
在本发明实施例中，将有伪影的pet图像对应的修复图像输入判别器网络中，以判别该修复图像是经过生成器网络修复过的图像还是图像样本中无伪影的pet图像，同样，将有伪影的pet图像对应的无伪影的pet图像输入判别器网络中，以判别该无伪影pet图像是经过生成器网络修复过的图像还是图像样本中无伪影的pet图像。在判别过程中，同样通过随机隐退算法对判别器网络中的每个隐层节点随机地进行暂时丢弃。最终，判别器网络的分类结果可包括有伪影的pet图像对应的修复图像来自于图像样本中的概率、有伪影的pet图像对应的无伪影的pet图像来自于图像样本中的概率。
在步骤s404中，根据分类结果、生成器网络的目标函数和判别器网络的目标函数，通过自适应矩估计算法对生成器网络的权值和判别器网络的权值进行迭代更新。
在本发明实施例中，生成器网络的目标函数可表示为：
在本发明实施例中，判别器网络的目标函数可表示为：
在本发明实施例中，在训练生成器网络或判别器网络时(即在对生成器网络或判别器网络的权值进行更新时)，根据当前批次图像样本的分类结果，计算生成器网络或判别器网络的目标函数所对应的梯度，计算公式可为：
接着，根据生成器网络或判别器网络的梯度，更新偏一阶矩估计和偏二阶矩估计，根据更新后的偏一阶矩估计、偏二阶矩估计，对偏一阶矩估计、偏二阶矩估计的误差进行修正，偏一阶矩估计和偏二阶矩估计的更新公式为：
s＝β1s+(1-β1)g，
在本发明实施例中，根据误差修正后的偏一阶矩估计、偏二阶矩估计，计算生成器网络或判别器网络的网络权值的更新值，计算公式可为
在步骤s405中，判断当前迭代次数是否超过预设的最大迭代次数。
在本发明实施例中，判断当前迭代次数是否超过预设的最大迭代次数，是则执行步骤s407，否则执行步骤s406，以继续训练生成器网络和判别器网络。
在步骤s406中，将训练图像集中下一批次的图像样本设置为当前批次图像样本，将当前迭代次数进行加一操作。
在本发明实施例中，从训练图像集获取下一批次的图像样本，并将该下一次批次的图像样本设置为当前批次图像样本，跳转至步骤s402，以进行下一次训练过程。
在步骤s407中，输出生成式对抗网络。
在本发明实施例中，通过自适应矩估计算法和随机隐退算法对生成式对抗网络中的生成器网络和判别器网络进行训练，获得训练好的生成式对抗网络，有效地提高了生成式网络的训练效率和泛化能力。
实施例三：
图5示出了本发明实施例三提供的基于稀疏投影数据的pet成像装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
pet图像重建单元51，用于接收通过pet设备扫描得到的稀疏投影数据，根据稀疏投影数据进行图像重建，生成pet重建图像。
在本发明实施例中，在接收pet设备通过低计数采样得到的稀疏投影数据后，可通过预设的pet图像重建算法对稀疏投影数据进行pet图像重建，生成pet重建图像。
重建图像修复单元52，用于通过预先训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以得到pet重建图像对应的修复图像。
在本发明实施例中，通过训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以去除pet重建图像上的图像伪影和恢复pet重建图像的图像细节。其中，生成式对抗网络包括生成器网络和判别器网络，生成式对抗网络的具体训练过程可参照实施例四中的详细描述，在此不再赘述。
pet图像输出单元53，用于将pet重建图像对应的修复图像设置为稀疏投影数据对应的pet图像，输出稀疏投影数据对应的pet图像。
在本发明实施例中，对pet设备扫描得到的稀疏投影数据进行图像重建，生成pet重建图像，通过训练好的生成式对应网络中的生成器网络对pet重建图像进行修复，生成pet重建图像对应的修复图像，从而有效地对稀疏投影数据对应的pet重建图像进行伪影去除和细节修复，有效地提高了基于稀疏投影数据进行pet成像时的图像质量。
实施例四：
图6示出了本发明实施例四提供的基于稀疏投影数据的pet成像装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
网络构建单元61，用于根据预设的卷积运算、激活函数和池化操作，构建生成式对抗网络。
在本发明实施例中，生成式对抗网络包括生成器网络和判别器网络。根据预设的卷积运算、批标准化方式和激活函数，可构建得到生成器网络的子网络层，根据卷积运算、批标准化方式、激活函数和池化操作，可构建得到判别器网络的子网络层。在生成器网络的子网络层中不使用池化操作，以保证生成器网络不改变图像大小。
在本发明实施例中，将生成器网络的子网络层连接构建得到生成器网络，将判别器网络的子网络层和预设的全连接网络层连接构建得到判别器网络。其中，生成器网络中最后一层子网络层的卷积核大小可为1、激活函数可为双曲正切函数，生成器网络中剩余子网络层、判别器网络的子网络层的激活函数可为非线性整流relu函数。
优选地，在生成器网络除最后一层子网络层外剩余的子网络层中添加预设的批标准化处理，在判别器网络的第一层子网络层中也添加批标准化处理，批标准化用于对卷积运算的输出进行重参数化，以解决深度网络训练时的梯度弥散问题。
网络训练单元62，用于根据预设的自适应矩估计算法、预设的随机隐退算法和预设的训练图像集，对生成式对抗网络进行训练。
在本发明实施例中，训练图像集中包括多组图像样本，每组图像样本包括有伪影的pet图像和该有伪影的pet图像对应的无伪影的pet图像。自适应矩估计算法(adaptivemomentestimation，adam)是一种随机优化算法，用于对生成器网络的目标函数、判别器网络的目标函数进行优化，随机隐退算法(dropout)按照一定的概率将生成器网络、判别器网络中的隐藏节点暂时丢弃，以防止训练得到的生成式对抗网络出现过拟合现象，在训练过程中随机隐退算法中的概率可设置为0.5。
pet图像重建单元63，用于接收通过pet设备扫描得到的稀疏投影数据，根据稀疏投影数据进行图像重建，生成pet重建图像。
在本发明实施例中，在接收pet设备低计数采样得到的稀疏投影数据后，可通过预设的pet图像重建算法对稀疏投影数据进行pet图像重建，生成pet重建图像。
重建图像修复单元64，用于通过预先训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以得到pet重建图像对应的修复图像。
在本发明实施例中，由于pet重建图像上出现图像伪影、图像细节丢失，通过训练好的生成式对抗网络中的生成器网络对pet重建图像进行修复处理，以去除pet重建图像上的图像伪影和恢复pet重建图像的图像细节。
pet图像输出单元65，用于将pet重建图像对应的修复图像设置为稀疏投影数据对应的pet图像，输出稀疏投影数据对应的pet图像。
优选地，如图7所示，网络训练单元62包括初始化单元721、训练修复单元722、训练判别单元723、权值更新单元724和迭代判断单元725，其中：
初始化单元721，用于初始化自适应矩估计算法的算法参数，并在训练图像集中获取当前批次图像样本。
在本发明实施例中，对adam算法(自适应矩估计算法)中的步长、偏一阶矩估计、偏二阶矩估计、偏一阶矩估计的指数衰减速率、偏二阶矩估计的指数衰减速率以及当前迭代次数进行初始化。从训练图像集中获取当前批次图像样本，每批次图像样本包括预设数量个图像样本。
训练修复单元722，用于根据随机隐退算法，通过生成器网络对当前批次图像样本中有伪影的pet图像进行修复处理，以得到有伪影的pet图像对应的修复图像。
在本发明实施例中，通过生成器网络对当前批次图像样本中每张有伪影的pet图像进行修复处理，在处理过程中通过随机隐退算法对生成器网络中的每个隐层节点随机地进行暂时丢弃。
训练判别单元723，用于根据随机隐退算法，通过判别器网络对有伪影的pet图像对应的修复图像、无伪影的pet图像分别进行分类。
在本发明实施例中，将有伪影的pet图像对应的修复图像输入判别器网络中，以判断该修复图像是经过生成器网络修复过的图像还是图像样本中无伪影的pet图像，同样，将有伪影的pet图像对应的无伪影的pet图像输入判别器网络中，以判断该无伪影pet图像是经过生成器网络修复过的图像还是图像样本中无伪影的pet图像。在判别器网络的分类过程中，同样通过随机隐退算法对判别器网络中的每个隐层节点随机地进行暂时丢弃。最终，判别器网络的分类结果可包括有伪影的pet图像对应的修复图像来自于图像样本中的概率、有伪影的pet图像对应的无伪影的pet图像来自于图像样本中的概率。
权值更新单元724，用于根据分类结果、生成器网络的目标函数和判别器网络的目标函数，通过自适应矩估计算法对生成器网络的权值和判别器网络的权值进行迭代更新。
在本发明实施例中，生成器网络的目标函数可表示为：
在本发明实施例中，判别器网络的目标函数可表示为：
在本发明实施例中，在训练生成器网络或判别器网络时(即在对生成器网络或判别器网络的权值进行更新时)，根据当前批次图像样本的分类结果，计算生成器网络或判别器网络的目标函数所对应的梯度，计算公式可为：
接着，根据生成器网络或判别器网络的梯度，更新偏一阶矩估计和偏二阶矩估计，根据更新后的偏一阶矩估计、偏二阶矩估计，对偏一阶矩估计、偏二阶矩估计的误差进行修正，偏一阶矩估计和偏二阶矩估计的更新公式为：
s＝β1s+(1-β1)g，
在本发明实施例中，根据误差修正后的偏一阶矩估计、偏二阶矩估计，计算生成器网络或判别器网络的网络权值的更新值，计算公式可为
迭代判断单元725，用于判断当前迭代次数是否超过预设的最大迭代次数，是则输出生成式对抗网络，否则将训练图像集中下一批次的图像样本设置为当前批次图像样本，由训练修复单元722执行通过生成器网络对当前批次图像样本中有伪影的pet图像进行修复处理的操作。
在本发明实施例中，通过自适应矩估计算法训练生成式对抗网络，通过训练好的生成式对抗网络对稀疏投影数据的pet重建图像进行后处理，以去除pet重建图像上的图像伪影、恢复pet重建图像的图像细节，从而有效地提高了生成式网络的训练效率和泛化能力，有效地提高了稀疏投影数据的pet成像的图像质量。
在本发明实施例中，来电提醒装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例五：
图8示出了本发明实施例四提供的pet设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的pet设备8包括处理器80、存储器81以及存储在存储器81中并可在处理器80上运行的计算机程序82。该处理器80执行计算机程序82时实现上述各个方法实施例中的步骤，例如图1所示的步骤s101至s103、图2所示的步骤s201至步骤s205。或者，处理器80执行计算机程序82时实现上述各装置实施例中各单元的功能，例如图5所示单元51至53的功能、图6所示单元61至65的功能。
在本发明实施例中，通过自适应矩估计算法训练生成式对抗网络，通过训练好的生成式对抗网络对稀疏投影数据的pet重建图像进行后处理，以去除pet重建图像上的图像伪影、恢复pet重建图像的图像细节，从而有效地提高了稀疏投影数据的pet成像的图像质量。
实施例六：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例中的步骤，例如，图1所示的步骤s101至s103、图2所示的步骤s201至步骤s205。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图5所示单元51至53的功能、图6所示单元61至65的功能。
在本发明实施例中，通过自适应矩估计算法训练生成式对抗网络，通过训练好的生成式对抗网络对稀疏投影数据的pet重建图像进行后处理，以去除pet重建图像上的图像伪影、恢复pet重建图像的图像细节，从而有效地提高了稀疏投影数据的pet成像的图像质量。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，rom/ram、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。