一种图像衰减校正方法及其应用与流程

本申请属于图像成像技术领域，特别是涉及一种图像衰减校正方法及其应用。

背景技术：

正电子发射断层显像(pet)在疾病早期发现和术后分期诊断中起着不可或缺的作用，是一种广泛应用于神经科学研究的功能成像方法。相对于正常组织，pet中使用的氟-d-葡萄糖(fdg)积累的增加是许多癌症的有用标志，可帮助检测和定位恶性肿瘤。尽管pet成像具有许多优点，但它有一些缺点，使其难以接受治疗。放射性成分可能对孕妇或哺乳期患者有风险。此外，pet是一种相对较新的医疗程序，可能会很昂贵。因此，世界上大多数医疗中心仍未提供它。提供pet成像作为治疗的一部分的困难增加了对替代的，便宜的，快速的和易于使用的类似pet的成像的需求。为了获得pet图像，从已有的ct图像中的信息来合成pet图像是非常有意义的，同时对于医疗诊断领域具有重要的科学意义和应用前景。

helenavanhemmen，于2019年在thejournalofnuclearmedicine期刊上发表文章“adeeplearning-basedapproachfordirectwhole-bodypetattenuationcorrection”(一种基于深度学习的方法，用于直接进行全身pet衰减校正)引入了深度卷积编解码器(ced)网络，从现有非衰减校正pet(nacpet)图像直接生成合成衰减校正(sac)pet图像。这项研究的目的是开发使用这种ai方法的全身pet衰减校正方法。具体来说，寻求使用卷积神经网络将非衰减校正(nac)pet图像直接转换为ac和scpet图像。

但是目前使用计算机断层扫提供解剖信息来进行衰减校正的方法得到的图像不清晰。

技术实现要素：

1.要解决的技术问题

基于目前使用计算机断层扫提供解剖信息来进行衰减校正的方法得到的图像不清晰的问题，本申请提供了一种图像衰减校正方法及其应用。

2.技术方案

为了达到上述的目的，本申请提供了一种图像衰减校正方法，所述方法包括如下步骤：

步骤1：构建生成器网络；

步骤2：将数据分为第一数据和第二数据，采用所述生成器网络对所述第一数据进行自校正处理得到数据一，采用所述生成器网络对所述第二数据进行卷积和批归一化处理得到数据二，将所述数据一与所述数据二进行合并得到输入数据；

步骤3：对所述生成器网络进行优化；

步骤4：将非衰减校正图像以及对应的衰减校正图像作为所述生成器网络的输入和训练的标签；

步骤5：训练生成器网络，得到由非衰减校正图像到衰减校正图像的映射关系；

步骤6:对非衰减校正图像通过训练好的生成器网络进行校正得到衰减校正图像。

本申请提供的另一种实施方式为：所述步骤1中生成器网络采用带有跳跃连接的编码解码网络进行构建，所述编码解码包括若干2d卷积。

本申请提供的另一种实施方式为：所述生成器网络包括卷积层、自校正卷积层、反卷积层、批归一化层和激活函数层，所述第一数据经过所述自校正卷积层处理得到所述数据一，所述第二数据经过卷积层和批归一化层处理得到所述数据二。

本申请提供的另一种实施方式为：所述步骤2中所述数据将通道数平均分为第一通道和第二通道。

本申请提供的另一种实施方式为：所述输入数据与所述数据尺寸大小相同。

本申请提供的另一种实施方式为：所述数据二与素数数据一相乘后经过卷积、批归一化处理后得到自校正卷积数据作为所述输入数据。

本申请提供的另一种实施方式为：所述步骤3中采用adam优化算法对所提出的自校正卷积进行优化，所述优化的损失函数为均方误差损失函数。

本申请提供的另一种实施方式为：所述生成器网络包括2层卷积、2层反卷积和13层自校正卷积，每层中还包括批归一层和激活函数层。

本申请提供的另一种实施方式为：所述卷积步长均为1。

本申请还提供一种图像衰减校正方法的应用，将所述的图像衰减校正方法应用于正电子发射断层显像图像的衰减校正、ct图像的合成、低剂量ct图像降噪和低计数正电子发射断层显像图像降噪。

3.有益效果

与现有技术相比，本申请提供的一种图像衰减校正方法的有益效果在于：

本申请提供的图像衰减校正方法，基于自校正卷积的pet图像衰减校正方法，关于医学正电子发射断层图像(pet)扫描。

本申请提供的图像衰减校正方法为基于pet数据的深度学习的衰减校正方法，在原始的卷积神经网络中将卷积变成自校正卷积，增大对图像的感受野，获得更加全面的特征图，提高网络对图像特征的提取。获得比现有技术使用计算机断层扫提供解剖信息来进行衰减校正的方法更加清晰的图像，展示了本申请的pet图像衰减校正的能力。。

本申请提供的图像衰减校正方法，对nac-pet图像到ac-pet图像的合成，自校正卷积能提高生成器对于nac-pet图像内容信息的提取，增大卷积层的感受野(感受野是卷积神经网络(cnn)每一层输出的特征图(featuremap)上的像素点在原始输入图像上映射的区域大小)，增大感受野之后卷积提取的特征图上的像素点能更好的反应原始图像中的信息，更好的对非衰减校正图像(nac-pet)进行衰减校正。

本申请提供的图像衰减校正方法，提高pet图像的衰减校正图的质量。

本申请提供的图像衰减校正方法，为基于自校正卷积神经网络的pet图像衰减校正网络，该网络通过对非衰减校正pet图像使用自校正卷积神经网络后得到衰减校正pet图像，达到能供医生诊断的医学图像。

本申请提供的图像衰减校正方法，使用自校正卷积替换原始的卷积，提升特征图感受野的范围，增加特征图对输入图像的表示能力。

本申请提供的图像衰减校正方法的应用，自校正卷积提取的特征图有更大的感受野，包含更多的输入图像的信息。在生成器的特征提取部分能更好的提取图像的特征，在进行衰减校正时能更好的估计衰减校正pet图像。

附图说明

图1是本申请的图像衰减校正方法的生成器网络示意图；

图2是本申请的图像衰减校正方法的自校正卷积示意图；

图3是本申请的图像衰减校正方法的自校正模块示意图。

具体实施方式

在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。

参见图1～3，本申请提供一种图像衰减校正方法，所述方法包括如下步骤：

步骤1：构建生成器网络；

步骤2：将数据分为第一数据和第二数据，采用所述生成器网络对所述第一数据进行自校正处理得到数据一，采用所述生成器网络对所述第二数据进行卷积和批归一化处理得到数据二，将所述数据一与所述数据二进行合并得到输入数据；使用自校正卷积替换原始的卷积，提升特征图感受野的范围，增加特征图对输入图像的表示能力。

步骤3：对所述生成器网络进行优化；

步骤4：将非衰减校正图像以及对应的衰减校正图像作为所述生成器网络的输入和训练的目标；

步骤5：训练生成器网络，得到由非衰减校正图像到衰减校正图像的映射关系；

步骤6:对非衰减校正图像通过训练好的生成器网络进行校正得到衰减校正图像。

进一步地，所述步骤1中生成器网络采用带有跳跃连接的编码解码网络进行构建，所述编码解码包括若干2d卷积。带有跳跃连接的u型网络实现非衰减校正pet图像到衰减校正pet图像的合成。

进一步地，所述生成器网络包括卷积层、自校正卷积层、反卷积层、批归一化层和激活函数层，所述第一数据经过所述自校正卷积层处理得到所述数据一，所述第二数据经过卷积层和批归一化层处理得到所述数据二。

进一步地，所述步骤2中所述数据将通道数平均分为第一通道和第二通道。

进一步地，所述输入数据与所述数据尺寸大小相同。

进一步地，所述数据二与素数数据一相乘后经过卷积、批归一化处理后得到自校正卷积数据作为所述输入数据。

进一步地，所述步骤3中采用adam优化算法对所提出的自校正卷积进行优化，所述优化的损失函数为均方误差损失函数。

进一步地，所述生成器网络包括2层卷积、2层反卷积和13层自校正卷积，每层中还包括批归一层和激活函数层。

进一步地，所述卷积步长均为1。

本申请还提供一种图像衰减校正方法的应用，将所述的图像衰减校正方法应用于正电子发射断层显像图像的衰减校正、ct图像的合成、低剂量ct图像降噪和低计数正电子发射断层显像图像降噪。

实施例

一种用于pet图像衰减校正的自校正卷积神经网络，具体操作步骤如下：

步骤1：本pet图像衰减校正网络所设计的生成器网络结构

该模块是一种带有跳跃连接的编码解码网络:所有的编码解码是由一系列2d的卷积组成。添加跳跃连接是为了加速网络训练的过程和保留图像的更多的细节。生成器网络一共包含17层，其中包含2层卷积和2层反卷积以及13层自校正卷积。每层包含卷积层/自校正卷积/反卷积、批归一化层和激活函数层。所有使用的卷积核大小都为3×3。并且卷积核数量依次为32、32、64、64、128、128、128、128、128、128、128、128、64、64、32、32、1。并且卷积步长都为1。

步骤二：设计在步骤一中的自校正卷积。将输入的大小为c×h×w的数据平均分成两部分，对其中一部分进行自校正操作，对于另外一部分进行卷积和归一化操作，将两部分得到的结果在通道数的维度进行合并得到与输入数据尺寸一样的处理后数据。

步骤三：设计在步骤二中处理其中一部分数据的自校正块，对于这部分数据，其尺寸大小为c/2×h×w，对这个数据进行下采样，采样率为4，采样后得到的数据进行卷积和归一化操作，得到的结果再进行上采样恢复到与初始数据尺寸大小一致的数据，最后与初始数据进行相加，得到的结果经过sigmoid激活函数。

初始数据又经过卷积和归一化操作得到的结果与经过sigmoid激活函数的结果进行相乘操作得到最终的自校正卷积的结果。

步骤四：对所设计的非衰减校正pet图像到衰减校正pet图像网络进行网络训练，得到最终的优化后的网络，其中优化算法使用的是adam优化器，优化的损失函数为均方误差损失函数，即网络的输入(非衰减校正pet图像)和经过网络得到的输出(衰减校正pet图像)之间的均方误差损失。

步骤五：将非衰减校正pet图像以及对应的衰减校正pet图像作为网络的输入和训练的目标。

步骤六：训练网络并使用得到训练好的网络参数，得到由非衰减校正pet图像到衰减校正pet图像的映射关系。最后，将非衰减校正pet图像通过训练好的网络进行衰减校正得到符合医生诊断的衰减校正pet图像。

尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。