(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111662814.8 (22)申请日 2021.12.31 (71)申请人 浙江大学嘉兴研究院 地址 314031 浙江省嘉兴 市秀洲区智富中 心48幢401室 申请人 浙江大学 (72)发明人 刘华锋　邱海祥　 (74)专利代理 机构 杭州天勤知识产权代理有限 公司 33224 代理人 王琛 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卷积神经网络的低剂量Sinogram去噪 与PET图像 重建方法 (57)摘要 本发明公开了一种基于卷积神经网络的低 剂量Sinogram去噪与PET图像重建方法， 其将重 建问题拆分成投影域去噪、 投影域到图像域重 建、 图像域去噪三个子问题， 分别用金字塔卷积 加权去噪模块、 改进的滤波反投影层、 改进的去 噪卷积神经网络解决； 金字塔卷积加权去噪模块 将低剂量的投影域数据Sinogram去噪， 生成接近 标准剂量的投影域数据， 滤波反投影层将频域滤 波器看作可学习的， 由去噪后的投影域数据 Sinogram重建含有噪声的重建图， 改进的DnCNN 去除重建图像中的少量噪声， 从而获得高质量的 重建图。 本发 明解决了深度学习用于图像重建时 难以解释的问题， 在低剂量的情况下， 依然能够 重建高质量的PET图像 。 权利要求书2页 说明书5页 附图2页 CN 114387236 A 2022.04.22 CN 114387236 A 1.一种基于卷积神经网络的低剂量Si nogram去噪与PET图像重建方法， 包括如下步骤： (1)获取模拟生成的正常剂量的Si nogram投影数据， 通过重建得到其对应的PET图像； (2)利用泊松分布对正常剂量的Sinogram投影数据进行降采样， 得到低剂量的 Sinogram投影数据； (3)根据步骤(1)和(2)获取大量样本， 每一样本包括低剂量的Sinogram投影数据、 正常 剂量的Si nogram投影数据及其对应的PET图像； (4)将PET重建问题拆分成以下三个子问题： 子问题1是一个Sinogram投影域去噪问题， 由低剂量的Sinogram投影数据经过神经网 络去噪， 生成接 近标准剂量的Si nogram投影数据Y1； 子问题2是一个重建问题， 由Sinogram投影数据Y1通过改进的滤波反投影算法(FBP)得 到含有少量噪声的PET重建图像X1； 子问题3也是一个去噪问题， 由PET重建图像X1经过神经网络去噪， 得到高质量的PET重 建图像X； (5)将所有样本划分成训练集和测试集， 搭建由去噪模块D1、 重建模块和去噪模块D2依 次连接组成的网络模型； 利用训练集样本中低剂量的Sinogram投影数据作为去噪模块D1的输入， 正常剂量的 Sinogram投影数据作为去噪模块D1输出的真值标签； 使去噪模块D1的输出结果作为重建模 块的输入， 正常剂量的Sinogram投影数据对应的PET图像作为重 建模块输出的真值标签； 使 重建模块的输出结果作为去噪模块D2的输入， 正常剂量的Sinogram投影数据对应的PET图 像作为去噪模块D2输出的真值标签， 从而对整个网络模型进行训练； (6)将测试集样本中低剂量的Sinogram投影数据输入至训练完成后的网络模型中， 重 建得到对应的PET图像， 使其与正常剂量的Si nogram投影数据对应的PET图像进行比较。 2.根据权利要求1所述的低剂量Sinogram去噪与PET图像重建方法， 其特征在于： 所述 步骤(1)中采用OSEM重建算法对正常剂量的Sinogram投影数据进行重建， 得到其对应的PET 图像。 3.根据权利要求1所述的低剂量Sinogram去噪与PET图像重建方法， 其特征在于： 所述 步骤(2)的具体实现方式为： 对于正常剂量的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， 可让Sinogram矩阵 的均值变成原来的n分之一， 从而得到低剂量的Si nogram投影数据， n 为降采样的倍 率。 4.根据权利要求1所述的低剂量Sinogram去噪与PET图像重建方法， 其特征在于： 所述 去噪模块D1采用金字塔卷积加权去噪模块， 其从输入至输出由7个卷积块依次连接组成， 所 述卷积块由一个pixel  attention层和一个多尺度卷积层连接组成， 所述pixel  attention 层由两个3 ×3的2D卷积层以及一个sigmoid激活函数连接组成， 所述多尺度卷积层分别采 用3×1、 1×3、 5×1、 1×5以及7×1、 1×7大小的卷积核进行卷积运算， 并将各卷积核的运算 结果拼接在一 起作为输出。 5.根据权利要求1所述的低剂量Sinogram去噪与PET图像重建方法， 其特征在于： 所述 重建模块基于改进的滤波反投影算法， 包括频域滤波和反投影两部分， 其中反投影部分的 做法和传统滤波反投影算法一样， 而频域滤波部分则采用可学习的滤波器， 且每个角度的权　利　要　求　书 1/2 页 2 CN 114387236 A 2投影数据对应一个 独立的一维频域滤波器。 6.根据权利要求1所述的低剂量Sinogram去噪与PET图像重建方法， 其特征在于： 所述 去噪模块D2采用改进的去噪卷积神经网络， 其 从输入至输出由8个2D卷积层和1个归一化层 依次连接组成， 每个2D卷积层都包含了64个3 ×3的卷积核， 除第8个卷积层外， 前7个卷积层 的输出都使用了激活函数ReLU和 批归一化BN处理； 进而将去噪模块D2的输入减去第8个卷 积层的输出， 然后通过归一 化层便可输出 得到高质量的PET重建图像。 7.根据权利要求1所述的低剂量Sinogram去噪与PET图像重建方法， 其特征在于： 所述 步骤(5)中对网络模型进行训练的具体过程如下： 5.1初始化网络模型的参数； 其中采用Kaiming去初始化去噪模块D1中的参数， 采用 Ramp滤波器去初始 化重建模块中的所有 频域滤波器， 采用截断正态分布去初始 化去噪模块 D2中的参数； 5.2将训练集样本中低剂量的Sinogram投影数据输入网络模型， 阶段1先训练50个 epoch， 使去噪模块D1收敛； 阶段2再训练50个epoch， 使重建模块收敛； 阶段3协同训练100个 epoch， 使整个网络模型收敛， 最后通过正向传播公式计算每层的输出， 进而获得网络模型 最终的输出； 5.3计算网络模型三个阶段输出与真值标签之间的损失函数： 其中： lossj为第j个阶段的损失函数， Xj(i)为对应第j个阶段第i个样本的网络模型输 出估计值， 为对应第j个阶段第i个样本的真值标签， N 为本阶段的训练样本个数； 5.4求损失函数的偏导数， 通过Adam算法更新网络模型中可 学习的参数； 5.5重复执行步骤5.2 ～5.4， 直到整个网络模型参数收敛。 8.根据权利要求1所述的低剂量Sinogram去噪与PET图像重建方法， 其特征在于： 该方 法结合了传统的滤波反投影算法和卷积神经网络， 提出了一种可解释的深度神经网络结 构， 用于P ET图像重 建， 将重建问题拆 分成投影域去噪、 投影域到图像域重建、 图像域去噪三 个子问题， 分别用金字塔卷积加权去噪模块、 改进的滤波反投影层FBP、 改进的去噪卷积神 经网络DnCNN解决； 金字塔卷积加权去噪模块将低 剂量的投影域数据Sinogram去噪， 生成接 近标准剂量的投影域数据， 滤波反投影层将频域滤波器看作可学习的， 由去 噪后的投影域 数据Sinogram重建含有噪声的重建图， 改进的DnCNN去除重建图像中的少量噪声， 从而获得 高质量的重建图。权　利　要　求　书 2/2 页 3 CN 114387236 A 3