基于深度学习的PET运动信号提取方法与系统与流程

本发明涉及医学成像，尤其涉及一种基于深度学习的pet运动信号提取方法与系统。

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，其基本原理可被概括为：用衰变时发射正电子的放射性核素(例如18f、11c等)标记生命活动代谢必需物质生成示踪剂后注入人体，通过器官和病灶对被核素标记的示踪剂的摄取来反映代谢状况，在肿瘤、中枢神经疾病及心血管疾病的早期诊断、确诊与分期、疗效评估、再分期、原发灶搜寻、病灶转移监视及治疗监测等诊疗方面发挥着重要的作用,已成为此类重大疾病临床诊治中不可或缺的影像学技术手段。

2、pet采集到的数据可以看做是运动器官或肿瘤在不同位置发射光子的集合，pet图像重建等效于所有位置显像的叠加。而pet扫描每个体位通常会花费几分钟时间，受呼吸运动和心脏搏动的影响，图像分辨率会显著降低。

3、为了去除心脏搏动或呼吸运动造成的影响，目前pet采集系统通常采用门控技术，即通过特定的设备采集心脏或呼吸的运动信号，并以此为基础产生门控信号发送给pet采集控制系统。然而目前常用的门控技术都需要依靠外部仪器来采集门控信号，设备操作繁琐且易受干扰，增加了操作人员的辐射风险和患者的不适。

4、为摆脱对门控设备的依赖，相关技术提出了一种确定门控信号的方法，从pet采集的原始数据中自动计算和提取患者的呼吸信号或心动信号。然而该方法在低计数采集的情况下，统计数据不再服从高斯分布，会对高噪声数据中运动信号提取的有效性造成影响。

5、因此，如何提出一种能够在低计数情况下依然能够有效提取患者的呼吸信号或心动信号的方案，成为目前亟待解决的问题。

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，本发明提供一种基于深度学习的pet运动信号提取方法与系统，其解决了现有pet运动信号提取算法在低计数采集的情况下，无法有效提取患者的呼吸信号或心动信号的技术问题。

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，本发明提供一种基于深度学习的pet运动信号提取方法，包括：对采集的pet原始数据进行降采样和数据清洗后，执行中心化预处理操作，得到预处理数据x；

6、基于编码器对预处理数据x进行压缩，得到特征矩阵y；

7、对特征矩阵y进行稀疏引导得到隐层特征z；

8、基于解码器对隐层特征z进行转换和重建，得到pet重建数据；

9、结合pet重建数据根据最小化目标函数对网络参数θ进行迭代更新，直至最小化目标函数收敛，以得到最小化目标函数收敛时的优化网络参数θ’；

10、根据最小化目标函数收敛时的优化网络参数θ’从目标预处理数据x中提取pet运动信号。

11、可选地，根据如下公式执行中心化预处理操作：

12、

13、其中，s为动态采集时间帧数，t为时间，n为探测数据的维度，x为pet输入数据。

14、可选地，所述基于编码器对特征向量进行压缩，得到特征矩阵y，包括：

15、基于编码器的线性算子fa和非线性算子fb对预处理数据x进行压缩得到特征矩阵y＝fa(x；θa)+fb(x；θb)。

16、可选地，所述对特征矩阵y进行稀疏引导得到隐层特征z，包括：

17、根据如下公式对特征矩阵y进行稀疏引导得到隐层特征z：

18、

19、其中，z∈rmxs，1≤i≤m，1≤j≤s，τ为激活度阈值，h为激活函数。

20、可选地，所述基于解码器对隐层特征z进行转换和重建，得到pet重建数据，包括：

21、基于解码器的线性算子fc和非线性算子fd对隐层特征z进行转换和重建，得到pet重建数据

22、可选地，所述最小化目标函数为：

23、

24、其中，θ＝{θa，θb，θc，θd}为权重因子，β为超参数，ρ为稀疏性参数，为隐层特征z的平均激活度。

25、第二方面，本发明提供一种基于深度学习的pet运动信号提取系统，包括：预处理模块，对采集的pet原始数据进行降采样和数据清洗后，执行中心化预处理操作，得到预处理数据x；

26、数据压缩模块，基于编码器对预处理数据x进行压缩，得到特征矩阵y；

27、稀疏引导模块，对特征矩阵y进行稀疏引导得到隐层特征z；

28、数据还原模块，基于解码器对隐层特征z进行转换和重建，得到pet重建数据；

29、参数更新模块，结合pet重建数据根据最小化目标函数对网络参数θ进行迭代更新，直至最小化目标函数收敛，以得到最小化目标函数收敛时的优化网络参数θ’；

30、信号提取模块，根据最小化目标函数收敛时的优化网络参数θ’从目标预处理数据x中提取pet运动信号。

31、(三)有益效果

32、本发明的有益效果是：本发明的一种基于深度学习的pet运动信号提取方法，首先利用编码器近似pca算法，避免耗时的特征向量计算。其次是在编码器中额外添加非线性算子，有利于从采集数据中充分挖掘更高级别的潜在数据特征。最后是在隐层空间中对特征矩阵进行稀疏性调整，用于提取更具代表性的特征。编码器神经网络通过先验数据对网络参数进行训练，相对于原来算法只能依靠采集数据本身，具有更加良好的噪声鲁棒性。相较于相关技术，本发明能够在低计数采集的情况下，有效提取患者的呼吸信号或心动信号。

技术特征：

1.一种基于深度学习的pet运动信号提取方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的pet运动信号提取方法，其特征在于，根据如下公式执行中心化预处理操作：

3.根据权利要求2所述的基于深度学习的pet运动信号提取方法，其特征在于，所述基于编码器对特征向量进行压缩，得到特征矩阵y，包括：

4.根据权利要求3所述的基于深度学习的pet运动信号提取方法，其特征在于，所述对特征矩阵y进行稀疏引导得到隐层特征z，包括：

5.根据权利要求4所述的基于深度学习的pet运动信号提取方法，其特征在于，所述基于解码器对隐层特征z进行转换和重建，得到pet重建数据，包括：

6.根据权利要求5所述的基于深度学习的pet运动信号提取方法，其特征在于，所述最小化目标函数为：

7.一种基于深度学习的pet运动信号提取系统，其特征在于，包括：

技术总结
本发明涉及基于深度学习的PET运动信号提取方法，包括：对采集的PET原始数据进行降采样和数据清洗后，执行中心化预处理操作，得到预处理数据X；基于编码器对预处理数据X进行压缩，得到特征矩阵Y；对特征矩阵Y进行稀疏引导得到隐层特征Z；基于解码器对隐层特征Z进行转换和重建，得到PET重建数据；结合PET重建数据根据最小化目标函数对网络参数θ进行迭代更新，直至最小化目标函数收敛，以得到最小化目标函数收敛时的优化网络参数θ’；根据最小化目标函数收敛时的优化网络参数θ’从目标预处理数据X中提取PET运动信号。其有益效果是，能够在低计数采集的情况下，有效提取患者的呼吸信号或心动信号。

技术研发人员：李楠
受保护的技术使用者：赛诺联合医疗科技（北京）有限公司
技术研发日：
技术公布日：2024/3/27