[发明专利]基于对比学习的低剂量PET图像去噪方法

权利要求书

1.一种基于对比学习的低剂量PET图像去噪方法，包括如下步骤：

1)获取模拟生成的标准剂量的Sinogram投影数据，利用泊松分布对标准剂量的Sinogram投影数据进行降采样，得到低剂量的Sinogram投影数据；

2)标准剂量的Sinogram投影数据，通过OSEM算法重建得到其对应的标准剂量的PET图像数据；低剂量的Sinogram投影数据通过FBP算法重建得到其对应的低剂量的PET图像数据；

3)根据步骤2)获取大量样本，每一样本包括低剂量的PET图像数据和标准剂量的PET图像数据，将所有样本划分成训练集、验证集、测试集；

4)为了平衡去噪性能和模型参数量，搭建基于类自编码器的轻量级PET基础去噪网络；将低剂量PET图像数据输入去噪网络，模型输出去噪后的PET图像；为了更好的恢复图像，基于对比学习构造正负样本的方式，设计了一种新的对比学习损失函数ContrastLoss，标准剂量PET图像和低剂量PET图像分别作为正负样本，去噪后的PET图像作为锚样本；

5)在训练阶段，把训练集中的低剂量PET图像数据输入步骤4)所述的PET基础去噪网络，基于步骤4)所述的对比学习损失函数ContrastLoss进行训练，以损失函数最小化为原则，重复进行正向传播和反向求导，不断更新参数，直到损失函数的数值足够小，模型收敛；训练的同时，把验证集中的低剂量PET图像数据输入模型进行验证，监督模型训练的有效性，以便及时进行训练阶段的参数调整；

6)在测试阶段，把测试集中的低剂量PET图像数据输入训练好的PET基础去噪网络中，直接获得高质量的PET图像。

2.根据权利要求1所述的基于对比学习的低剂量PET图像去噪方法，其特征在于：所述步骤1)的降采样具体实现方式为：对于标准剂量的Sinogram投影数据，首先利用Python内置库函数基于泊松分布生成与其Sinogram矩阵相同大小的随机数矩阵，通过设置不同的归一化系数，可将随机数矩阵的均值设置成不同的大小，进而通过矩阵点乘运算，让Sinogram矩阵的均值变成原来的n分之一，从而得到低剂量的Sinogram投影数据，n为降采样的倍率。

3.根据权利要求1所述的基于对比学习的低剂量PET图像去噪方法，其特征在于：所述步骤4)PET基础去噪网络具体结构如下：使用4个FABlock作为提出的去噪网络的基本块，首先采用4倍下采样操作，使FABlock学习到低分辨率空间中的特征表示，然后使用相应的4倍上采样操作和一个卷积操作，来恢复高分辨率的图像；Low-level features(比如边缘和轮廓)通常会被卷积神经网络的浅层所捕捉到，然而，随着层数的加深，浅层特征对逐渐退化，为了避免浅层特征的丢失，模型在下采样层与上采样层之间加入了自适应混合Mixup操作，该操作可以表示为：

f_↑2＝Mix(f_↓1，f_↑1)＝σ(θ₁)*f_↓1+(1-σ(θ₁))*f_↑1，

f_↑＝Mix(f_↓2，f_↑2)＝σ(θ₂)*f_↓2+(1-σ(θ₂))*f_↑2，

其中f_↓i和f_↑i分别是第i次下采样层和上采样层的特征映射，f_↑是最终输出，σ(θ_i)，i＝1，2是融合第i次下采样层和第i次上采样层的第i个可学习因子，通过注意力机制学习到的。