[发明专利]一种衰减校正系数图像的获取方法、PET图像重建方法

权利要求书

1.一种衰减校正系数图像的获取方法，其特征在于，包括：

S10、针对用于医学影像图像重建的探测数据，获取该探测数据的未作衰减校正的第一图像和近似衰减校正的第二图像，所述第二图像是基于指定区域的线性衰减校正系数经验值对第一图像进行衰减校正后重建的图像；

S20、将所述第一图像和/或第二图像输入预先训练的深度学习网络，获取该深度学习网络输出的线性衰减校正系数一；

S30、基于预先确定的扫描床的线性衰减系数二和所述线性衰减校正系数一，获取修正后的用于医学影像图像重建的衰减校正系数；

修正后的衰减校正系数用于在医学影像图像重建中作为初始值，和/或者作为调整医学影像图像重建迭代过程中每一次迭代的线性衰减校正系数的弹性变换系数，用以加快医学影像图像重建迭代过程的收敛路径；

所述预先训练的深度学习网络为基于已重建的医学影像图像及匹配的关联图像对构建的深度学习网络进行训练得到的网络。

2.根据权利要求1所述的方法，其特征在于，所述深度学习网络为下述的一种：CNN网络、Unet网络、GAN网络；

所述医学影像图像为PET图像或CT图像。

3.根据权利要求1所述的方法，其特征在于，在医学影像图像为PET图像时，所述S10之前，所述方法还包括：

S00、基于已重建的医学影像图像及匹配的关联图像，获取用于训练深度学习网络的训练样本；

其中，每一训练样本包括：已重建的PET图像/模拟仿真的PET图像，该PET图像对应的近似线性衰减校正系数、该PET图像对应的其他模态图像，所述其他模态图像用于获取真实的线性衰减校正系数，该真实线性衰减校正系数用于验证训练后的深度学习网络是否收敛；

S01、基于训练样本对深度学习网络进行训练，获得训练的深度学习网络；

训练后的深度学习网络中网络参数θ使得优化训练深度学习网络的损失函数Φ值最小。

4.根据权利要求3所述的方法，其特征在于，基于训练样本对深度学习网络进行训练，包括：

将每一训练样本的近似线性衰减校正系数输入深度学习网络，获得输出，将该输出与该训练样本中其他模态图像得到的真实线性衰减校正系数借助于损失函数Φ进行比较；

和/或，

将每一训练样本的已经重建无衰减的PET图像输入深度学习网络，获得输出，并将该输出与该训练样本中其他模态图像得到的真实线性衰减校正系数借助于损失函数Φ进行比较；

和/或，

将每一训练样本的已经重建无衰减的PET图像和近似线性衰减校正系数求和，求和后的图像输入深度学习网络，获得输出，并将该输出与该训练样本中其他模态图像得到的真实线性衰减校正系数借助于损失函数Φ进行比较；

损失函数Φ为L1范数、L2范数、KL散度中的一种或多种，用于刻度训练中深度学习网络每一输出与该输出所属的真实线性衰减校正系数的相似性。

5.根据权利要求3或4所述的方法，其特征在于，其他模态图像为CT图像，且近似线性衰减校正系数为在未作衰减校正PET图像上基于指定区域的已知线性衰减校正系数生成的线性衰减校正系数图像。

6.一种PET图像重建方法，其特征在于，包括：

P01、针对待进行PET重建的探测数据，采用上述权利要求1所述的方法获取修正的衰减校正系数μ^prior'；

P02、基于该μ^prior'，采用交替迭代策略对衰减校正系数μ和PET放射性活度分布x进行交替迭代，获得满足最大化目标函数要求的x的估计值，作为所述探测数据的重建图像；

其中，交替迭代策略包括：先将μ^prior'作为初始值，最大化目标函数来求解x，将求解的x作为常数，最大化目标函数来求解μ，利用μ^prior'对所述求解的μ进行调节，将调节后的μ作为常数，最大化目标函数来求解下一x，交替进行操作。