[发明专利]基于深度图像先验的图像重建方法、电子设备及存储介质

说明书

本发明公开了一种基于深度图像先验的图像重建方法、电子设备及存储介质。该方法包括：将随机噪声输入卷积神经网络中，输出未知的图像；将未知的图像进行拉东变换，得到第一正弦图；将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，第二正弦图表示待重建图像的测量数据正弦图；根据损失值迭代调整神经网络的网络参数，得到目标网络参数；通过具有目标网络参数的神经网络输出与待重建图像对应的重建图像。本发明提供的图像重建方法，利用卷积神经网络结构上的先验，实现基于深度图像先验的图像重建，同时添加掩膜矩阵、小波变换或超小波变换的约束来实现图像的修复和降噪，进而实现高质量的图像重建。

技术领域

本发明涉及正电子发射断层成像技术领域，特别涉及一种基于深度图像先验的图像重建方法和系统、电子设备以及存储介质。

背景技术

正电子发射断层成像（Positron Emission Tomography，PET）是一种功能性核医学成像技术，其基本原理是将生命代谢中必需的物质，如葡萄糖、蛋白质、核酸等标记上短寿命的放射性核素，通过追踪正负电子湮灭产生的光子对在人体内的分布，来定量反映不同组织的代谢水平，从而对病变区域进行诊断和分析。PET对人体心脑新陈代谢和受体功能的研究发展到了分子水平，在肿瘤学、心血管疾病学、神经系统疾病学和新医药学开发等研究领域应用广泛。

PET图像重建算法是目前研究的重点和核心问题，很大程度上决定了最终成像的质量。目前PET图像重建方法主要有三大类：解析法是一类比较早的图像重建技术，其代表方法为滤波反投影法（Filtered Back-Projection，FBP），测量数据经过傅里叶变换，在频域进行滤波，再做一次傅里叶逆变换，在空间域进行反投影，即得到重建图像；解析法重建速度快，但对噪声的鲁棒性较差，重建的图像质量不高。迭代法通过迭代求解目标函数的最大值来重建图像，分为最大似然估计法（Maximum Like-hood Expectation Maximization，MLEM）和最大后验估计法（Maximum a Posteriori，MAP）；迭代法相比于解析法对噪声的鲁棒性更强，成像质量更好，但计算量大。近些年来，神经网络在医学图像重建领域获得了巨大的成功，重建后的图像质量比传统的方法有了新的提升。在使用卷积神经网络（Convolutional Neural Networks，CNN）时，通常需要一组带标签的样本作为训练集来优化网络参数。但出于病人隐私和辐射安全方面的考虑，实际应用中往往很难获取大量高质量的目标图像；其次，由于选取的训练集和真实的临床数据在分布上有差异，基于CNN的方法难以达到其最佳表现。

发明内容

鉴于上述问题，本发明提供了一种基于深度图像先验的图像重建方法和系统、电子设备以及存储介质，以期能够解决上述问题之一。

根据本发明的第一个方面，提供了一种基于深度图像先验的图像重建方法，包括：

将随机噪声输入卷积神经网络中，输出未知的图像；

将未知的图像进行拉东变换，得到第一正弦图；

将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，第二正弦图表示待重建图像的测量数据，待重建图像是关于放射性活度分布的图像；

根据损失值迭代调整卷积神经网络的网络参数，得到目标网络参数；

通过具有目标网络参数的卷积神经网络输出与待重建图像对应的重建图像。

根据本发明的实施例，上述将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值包括：

对参考图像和未知的图像进行数据变换处理，得到参考图像数据变换域系数和未知的图像数据变换域系数；

根据参考图像数据变换域系数和未知的图像数据变换域系数，对基于相对熵的损失函数进行第一次更新；

利用第一次更新后的基于相对熵的损失函数处理所述第一正弦图和第二正弦图，输出第一损失值。

根据本发明的实施例，上述将第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值还包括：