[发明专利]一种基于自动编码器网络的正电子发射型计算机断层显像(PET)重建方法

权利要求书

1.一种基于自动编码器网络的正电子发射型计算机断层显像（PET）重建方法，其特征在于：包括以下步骤：

步骤A：在正电子发射型计算机断层显像（PET）图像基础上，建立去噪自动编码器（DAE）网络模型，利用训练好的去噪自动编码器（DAE）获取图像的先验信息；

PET重建图像数学模型：测量数据可以被建模为独立泊松随机变量的集合，通过仿射变换和未知图像的关系如下：

其中，是检测概率矩阵，表示由检测器检测到源自体素的光子的概率，和分别表示散射符合和随机符合数据，是响应行数（LOR），是图像空间中的像素数，对数似然函数为：

未知图像的最大似然估计为：

步骤B：将带有图像先验信息的去噪自动编码器（DAE）网络和传统PET迭代重建方法结合，两者交替迭代获得重建图像；

所述步骤A具体包括：

（1）建立DAE网络模型的具体步骤：

DAE网络由20个卷积层组成，除第1层和第20层外，其间均进行批量归一化，除了第20层，使用线性整流函数（ReLU）激活，卷积核的大小为，输入和输出的通道数为3（RGB），其余层为64；

最佳DAE网络的输出是真实数据密度的局部均值，并且去噪自动编码器（DAE）误差是平均移位向量，使用这个平均移位向量的大小，作为图像先验的负对数似然，对于图像重建，通过反向传播自动编码器误差来最大化使用梯度下降的可能性，表示DAE网络，输入图像为I，则DAE网络的输出是，，则DAE通过最小化代价函数来训练：

其中，高斯噪声具有方差，表示DAE是用噪声方差训练，噪声方差与退化噪声及其方差无关，它是一个指定参数；

（2）用DAE网络获取图像的先验信息，使用衡量真实数据密度中图像I与其局部平均值的接近程度；

所述步骤B具体包括：

（1）步骤B中传统迭代重建方法以最大似然法（MLEM）为例，相应步骤为：

“E”步：通过ML得到期望X，构造交替迭代：

“M”步：将求得的带入式，令偏导等于0：

（2）将带有图像先验信息的去噪自动编码器（DAE）网络和MLEM重建方法结合，两者交替迭代获得重建图像；

其中，是检测概率矩阵，为未知图像，是用来加权数据项和先验信息的相对影响；DAE网络迭代过程为：第一步：计算数据项相对于图像的梯度；第二步:计算先验信息的梯度，平均移动矢量的梯度需要自动编码器的梯度，通过网络反向传播计算；最后一步使用两个梯度项的加权和来更新图像I。