[发明专利]基于对比学习的低剂量PET图像去噪方法

说明书

本发明公开了一种基于对比学习的低剂量PET图像去噪方法，将低剂量PET图像和标准剂量PET图像的信息分别用作负样本和正样本。CR确保去噪的PET图像在表示空间中更接近标准剂量PET图像，更远离低剂量PET图像。此外，考虑到参数与性能平衡，开发了一个基于类自动编码器框架的稠密去噪网络，其中自适应混合Mixup操作可以自适应性的在上下采样的高低分辨率空间中进行信息流动和扩大感受野，以提高网络的转换能力。

技术领域

本发明属于生物医学图像去噪技术领域，具体涉及一种基于对比学习的低剂量PET图像去噪方法。

背景技术

正电子发射断层扫描(Positron Emission Tomography，PET)是一种用于活体功能显像的核医学技术，能够在分子水平上提供脏器及病变的功能信息，在心脏疾病、脑疾病和恶性肿瘤的诊断和治疗方面发挥着不可替代的作用。

计算机视觉任务通常涉及图像去噪，其目的是消除损坏的图像中的噪音并恢复真实图像。医学成像处理中的去噪更是附加了特殊的意义，因为噪音可能会困扰疾病诊断并影响随后的临床决策。正电子发射断层扫描(PET)是一种分子成像方式，用于提供代谢和功能信息。这种模式的去噪算法旨在突破扫描时间、辐射强度和图像质量之间的权衡。在PET扫描中，还希望用少量符合事件重建出完美的图像，减少电离辐射照射。

已经提出了一系列方法来提高PET的图像质量。这些图像恢复方法在各个阶段实施，包括重建前的原始数据预处理、重建算法设计、重建后的后处理。图像后处理直接在低剂量PET图像上实现，可以很容易地集成到现有的临床程序中。因此，许多研究人员更倾向于解决低剂量PET图像去噪问题。在PET图像去噪领域，传统的图像处理算法包括NLM、BM3D和Diffusion Filters等。虽然这些算法可以在不同程度上降低噪音，但它们可能会导致去噪图像的过度平滑。

最近，深度学习在PET成像任务中表现出卓越的能力，在低剂量PET去噪领域，Sano等人修改了U-Net，以从低剂量PET图像中重建标准剂量PET图像；Kim等人优化了DnCNN以执行PET图像去噪；周等人提出了一种统一的运动校正和去噪对抗网络(DPET)，以同时对低剂量PET进行去噪和运动估计；此外，还有一些基于CycleGAN和Wasserstein GAN的低剂量PET去噪工作。

上述方法已经证明了它们在PET图像去噪任务上的能力，但是大多数侧重于优化网络结构或者设计不同的损失函数。存在以下问题：

(1)主要利用正样本的信息作为指导进行去噪，负样本的信息没有充分利用。仅正向去噪客观上去噪效果较差；

(2)大多数现有方法通常采用标准剂量的图像(Ground Truth)作为正样本，以指导通过基于L1/L2的图像重建损失进行去噪网络的训练，而无需任何正则化,然而，只有图像重建损失无法有效处理图像的细节，可能会导致图像颜色失真；

(3)大部分工作侧重于加强去噪网络的深度和宽度，导致对计算量和内存需求巨大。

发明内容

鉴于此，本发明提出了一种基于对比学习的对比正则化(CR)，将低剂量PET图像和标准剂量PET图像的信息分别用作负样本和正样本。CR确保去噪的PET图像在表示空间中更接近标准剂量PET图像，更远离低剂量PET图像。此外，考虑到参数与性能平衡，开发了一个基于类自动编码器框架的稠密去噪网络，其中自适应混合Mixup操作可以自适应性的在上下采样的高低分辨率空间中进行信息流动和扩大感受野，以提高网络的转换能力。

本发明是通过以下技术方案来实现的：

本发明公开了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；