[发明专利]基于深度学习的PET图像处理方法

权利要求书

1.一种基于深度学习的PET图像处理方法，其特征在于，包括如下步骤：

(1)建立多输入深度学习融合算法的神经网络模型；

(2)训练多输入深度学习融合算法的神经网络模型；

(3)将非滤波和滤波后的多幅PET图像输入训练好的神经网络模型中进行处理，得到融合图像；

所述多输入深度学习融合算法的神经网络模型的架构包括：堆栈编码器、堆栈解码器和残差补偿模块；堆栈编码器包括多个卷积层和ReLU激活函数；堆栈解码器包括多个反卷积层和ReLU激活函数；卷积层与反卷积层相互匹配通过捷径连接，且数量相同，呈对称排列，每一层卷积层或反卷积层后面都有ReLU激活函数；

所述非滤波和滤波后的多幅PET图像通过卷积、ReLU激活函数、反卷积、ReLU激活函数、以及复制并相加得到所述融合图像；

堆栈编码器表示为：

        （1）

其中N是卷积层的数量，W_i和b_i分别表示权重和偏差，*表示卷积运算符，x₀是输入图像的提取块，x_i，i0，是前i层网络的提取特征，ReLU(x)＝max(0,x)是激活函数；

堆栈解码器表示为：

         （2）

其中M是反卷积层的数量，W_i′和b_i′分别表示权重和偏差，表示反卷积运算符，y_M＝x是堆叠编码后的输出特征向量，y_i，Mi0，是前i层反卷积网络的重构特征向量，y₀是重建的图像块；

残差补偿模块通过以下过程进行残差补偿：定义输入图像为I，输出图像为O，对应的残差映射表示为F(I)＝O–I；建立残差映射后，重建原始映射R(I)＝O＝F(I)+I。

2.如权利要求1所述的基于深度学习的PET图像处理方法，其特征在于：通过低剂量PET图像和全剂量PET图像之间的损失函数L(D；T)估计卷积层和反卷积层中的参数T＝{W_i ,b_i, W′_i ,b′_i }，给定一组全剂量和低剂量PET成对的图像块P＝{(X₁ ,Y₁) ,(X₂ ,Y₂) ,… ,(X_k ,Y_k)} ,其中{X_i}和{Y_i}分别表示全剂量和低剂量PET图像块，K是训练样本的总数；损失函数定义为均方误差：

                  （3）。