[发明专利]基于深度学习的PET图像处理方法

说明书

本发明提供了一种基于深度学习的PET图像处理方法，涉及医学图像处理和评估技术领域，其采用多输入深度学习的PET图像融合算法，该方法融合了非滤波和滤波后的多幅PET图像信息。通过用低剂量IEC模体和低剂量身体病人数据对算法进行了评估，并与传统非滤波和滤波后的图像进行了比较。通过本发明深度学习图像融合算法处理的PET图像降低了更多噪声的同时提高了图像的对比度，并且保留了图像的细节信息，表明了该算法在临床低剂量PET成像中潜在的临床应用价值。

技术领域

本发明涉及一种基于深度学习的PET图像处理方法，属于医学图像处理和评估技术领域。

背景技术

PET(Positron Emission Tomography,正电子发射型断层显像)是现今最先进的大型医疗诊断成像技术之一。PET成像通过注射含有放射性核素的示踪剂观察组织内部分子水平的活性，因此在肿瘤学，心脏病学和神经病学中得到了广泛的应用。然而，由于系统有限的分辨率和本身的固有噪声，PET成像在噪声水平，图像分辨率以及图像细节的保留上受到很大的限制。

现有改善PET图像质量的技术包括传统的迭代重建算法和滤波后处理，以及单个图像输入的深度学习后处理方法。文献[1]R.M.Leahy and J.Qi“Statistical approachesin quantitative positron emission tomography”Statistics and Computing,vol.10,pp.147-165,2000公开了一种传统的迭代重建算法(最大似然期望最大化)随着迭代次数的增加，图像偏差减小，但是噪声会显著增大。为了降低高迭代次数图像的噪声，临床中会对重建图像进行滤波后处理文献[2]J.Dutta,R.M.Leahy,and Q.Li“Non-local meansdenoising of dynamic PET images”PLoS ONE,vol.8,no.12,pp.e81390,2013公开了一种滤波后处理方法，但是，它可能使得图像的重要特征(如器官和病变的边界)变平滑和模糊，从而导致偏差的增加和对比度的降低。文献[3]P.J.Green“Bayesian reconstructionsfrom emission tomography data using a modified EM algorithm”IEEETrans.Med.Imaging,vol.9,pp.84-93,1990公开了另一种传统的迭代重建方法是最大后验算法，其通过加入先验信息来降低重建图像的噪声，然而该算法降噪的同时却造成图像细节的丢失。

近年来，深度学习在医学图像领域迅速发展，神经网络已被证明是用于医学图像分析强有力的工具，例如降噪、分割、配准和诊断等。然而神经网络的应用多集中于单个输入的医学图像，如文献[4]I.R.Duffy,A.J.Boyle,and N.Vasdev“Improving PET imagingacquisition and analysis with machine learning:a narrative review with focuson Alzheimer’s disease and oncology”Artificial Intelligence in MolecularImaging,vol.18,pp.1-11,2019提供了一种深度学习处理图像的方法方法，深度学习虽然降低了图像的噪声，却减小了各器官的对比度并丢失了图像的细节信息，从而增大图像的偏差。

另外通过专利检索发现，检索到以下两篇与本发明技术较为接近的两篇专利：

专利一、专利号：CN11784788A申请号：CN202010501497.0专利名称：一种基于深度学习的PET快速成像方法和系统；

专利二、专利号：CN11867474A申请号：CN201880090666.7专利名称：使用深度学习根据低剂量PET成像进行全剂量PET图像估计一种基于深度学习的PET快速成像方法和系统；

专利一和专利二都是单输入的深度学习方法，无法同时利用非滤波和滤波后的重建图像信息，而且需要大量的数据进行网络训练。