[发明专利]基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法

权利要求书

1.基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，其特征在于：使用采集的低剂量PET图像和全剂量PET图像训练模型，将低剂量PET图像和训练结果来测试模型，将测试结果保存，得到低剂量PET图像增强结果；

训练自逆生成对抗网络流程为，

（1）产生两个条件图像：低剂量到全剂量条件Z=0，全剂量到低剂量条件Z=1；

（2）将低剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的全剂量图像，并与相应的全剂量PET图像计算损失；

（3）将全剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的低剂量图像，并与相应的低剂量PET图像计算损失；

（4）将虚拟的全剂量PET图像和真实全剂量PET图像分别输入到全剂量PET图像判别网络中，并分别计算损失；

（5）将虚拟的低剂量PET图像和真实低剂量PET图像分别输入到低剂量PET图像判别网络中，并分别计算损失；

（6）将模型应用于验证集上，计算验证误差，并判断是否达到最小；

（7）如果验证误差没有达到最小，继续更新网络参数；

（8）如果验证误差达到最小，保存网络和权重；

损失计算中，网络目标函数包含以下3个损失，

；

最终的目标函数为，

其中x，y和z分别为低剂量PET图像，全剂量PET图像和条件图像，这里的条件图像用于控制模型从x转换到y或者从y转换到x。

2.根据权利要求1所述的基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，其特征在于：模型训练流程为，

（1）采集低剂量和全剂量PET图像；

（2）将低剂量和全剂量PET图像数据集分成训练集、验证集和测试集；

（3）在训练集和验证集中，将低剂量和全剂量PET图像归一化到0-1之间；

（4）在训练集和验证集中，对归一化之后的低剂量与全剂量PET图像分别在相同位置提取3D图像碎片，组成训练数据对；

（5）使用生成的3D图像碎片来训练自逆生成对抗网络；

（6）网络训练完成，保存网络和权重；

（7）使用测试数据来评估模型性能。

3.根据权利要求2所述的基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，其特征在于：模型测试流程如下，

（1）将采集到的低剂量PET图像进行预处理；

（2）加载训练好的网络和权重；

（3）将预处理好的PET图像输入到网络中进行处理；

（4）将网络输出的结果保存到DICOM文件中。