[发明专利]PET图像的重建方法、计算机存储介质、计算机设备

说明书

本发明公开一种PET图像的重建方法、计算机存储介质、计算机设备。该方法包括：步骤一：获取PET图像的投影数据Y和系统矩阵P；步骤二：构建成像模型方程Y＝PX，X为重建的PET图像。步骤三：获取初始重建图像X，并根据第一目标函数迭代更新初始重建图像X以获得第一重建图像；步骤四：根据第二目标函数迭代更新第一重建图像以获得第二重建图像；步骤五：判断是否满足迭代条件，若是，则输出本轮迭代得到第二重建图像作为最终的PET重建图像；若否，则返回步骤三，并将本轮迭代的第二重建图像作为下一轮迭代时的初始重建图像。本发明的重建算法不依赖解剖结构的信息和功能信息的符合程度，无论是否有噪声干扰图像边缘，都能很好的将图像边缘区分出来。

技术领域

本发明属于信息技术领域，特别涉及Docker集群的内存配置方法、存储介质、计算机设备。

背景技术

正电子发射型断层(positron emission tomography，PET)，即正电子断层成像，是首先通过向病人体内注射放射性示踪剂，然后测量病人体内放射性同位素的分布来进行成像的。PET重建算法主要分为解析重建算法和迭代重建算法两类。解析重建算法主要包括反投影，滤波反投影以及傅里叶重建。其中最广泛应用的算法是滤波反投影(Filteredback-projection，FBP)。FBP的方法基于莱登 (Radon)变换，但FBP没有考虑系统响应的时空不均一性，也没有考虑到仪器在测量时的噪声，所以重建出的图像含有大量噪声。迭代重建算法又包括代数重建和统计重建，其中代数重建中主要有代数重建算法(Algebra Reconstruction Technique，ART)及在此基础上进一步扩展得到的一些新的算法。统计重建中极大似然-期望最大化(Maximum likelihood-expectation maximization，ML-EM)方法因其在病变检测方面比传统的算法有更好的性能，目前在临床和实践中被广泛应用，但该方法随迭代次数的增加图像质量退化，会产生“棋盘格伪影”。提前终止迭代和在似然函数中集成惩罚项或某种先验知识，在一定程度上克服了 ML-EM方法存在的问题。

综上，现有的PET重建方法存在如下问题：1)由于在有噪声影响的图像重建中仅用单个像素差来区分真实边缘和噪声波动，导致重建的图像没有保留正确的边缘；2)由于在去除噪声和保留细节信息之间没有很好的权衡，导致重建出的图像丢失很多细节信息；3)对于欠采样图像和噪声图像，由于没有好的约束条件，将导致细节丢失和产生块状的伪影。

发明内容

(一)本发明所要解决的技术问题

本发明要解决的技术问题是：如何得到重建效果更好的PET图像。

(二)本发明所采用的技术方案

为了实现上述的目的，本发明采用了如下的技术方案：

一种PET图像的重建方法，包括如下步骤：

步骤一：获取PET图像的投影数据Y和系统矩阵P；

步骤二：构建成像模型方程Y＝PX，X为重建的PET图像。

步骤三：获取初始重建图像X，并根据第一目标函数迭代更新初始重建图像 X以获得第一重建图像，第一目标函数为：

其中，Q_L(X；Xⁿ)为基于泊松随机分布变量构建的似然代理函数，为基于邻域块先验构建的惩罚代理函数，Xⁿ为第n次迭代后得到的重建图像，β为正则化参数；

步骤四：根据第二目标函数迭代更新第一重建图像以获得第二重建图像，其中所述第二目标函数为基于字典学习构建的函数；

步骤五：判断是否满足迭代条件，若是，则输出本轮迭代得到第二重建图像作为最终的PET重建图像；若否，则返回步骤三，并将本轮迭代的第二重建图像作为下一轮迭代时的初始重建图像。