一种低剂量核医学PET图像重建方法及系统
本发明涉及医学图像处理,尤其涉及一种低剂量核医学pet图像重建方法及系统。
背景技术:
1、正电子发射断层扫描 (positron emission computed tomography,pet) 是一种分子成像技术,能够对生理和代谢过程进行无创的体内可视化和定量分析。该技术依赖于放射性标记示踪剂的给药,例如18f-氟代脱氧葡萄糖(18ffdg)和68ga标记的fap抑制剂(68ga-fapi),这些示踪剂会通过增加葡萄糖摄取而在代谢活跃的组织(例如肿瘤)中积聚。放射性衰变后,发射的正电子与电子湮灭,产生一对同时发生的伽马光子,这些光子会被扫描仪探测到。通过累积数百万次这样的探测事件,可以重建示踪剂的三维分布,从而生成能够以高灵敏度和定量精度反映区域代谢活动的图像。pet广泛用于诊断和治疗癌症、神经退行性疾病、心血管疾病等。然而,其临床价值受到以下因素的限制:人们对辐射暴露的担忧,辐射暴露与潜在风险相关,包括致癌、基因损伤以及对放射敏感器官的确定性效应,尤其是在儿童、孕妇和需要重复扫描的患者中。降低示踪剂剂量或缩短扫描时间,即低剂量pet成像,已成为一种理想但具有挑战性的做法。
2、然而,剂量降低直接导致检测到的符合事件数量减少,这种情况通常被称为光子饥饿。在光子饥饿条件下,有限的光子计数表现为低信噪比(signal-to-noise ratio,snr)、显著的统计噪声和严重的伪影,且在不同频段的劣化程度不均匀。具体而言,决定整体结构的低频成分受到的影响更为严重,而编码精细细节的高频成分受到的影响相对较小。因此,整体结构完整性和精细结构细节的损失都不可避免。在此背景下,低剂量pet指的是使用低于标准剂量水平的给药剂量进行成像,通常对应于drf大于1。这些退化共同损害了定量精度,例如标准化摄取值(standardized uptake value,suv),以及诊断可靠性,使得从低剂量pet数据中重建高质量图像成为一项极具挑战性的任务。
3、为了应对这些挑战,传统的重建方法,都依赖于手工设计的先验信息来抑制低剂量pet图像中的噪声。然而,由于光子计数不足,精确重建全剂量图像仍然具有挑战性,因为这些方法通常会产生过度平滑的结果,丢失结构细节,这可能导致漏诊小病灶或肿瘤勾画不准确。
4、随着深度学习的快速发展,数据驱动方法通过学习低剂量和全剂量pet图像之间的非线性映射关系取得了显著进展。基于u-net及其3d扩展方法已展现出更优的重建性能。然而,卷积神经网络(convolutional neural networks,cnn)固有地受限于局部感受野,限制了其对全局结构完整性至关重要的长程空间依赖性进行建模的能力。为了克服这一局限性,基于transformer(vit)的方法被引入低剂量pet重建领域以增强全局建模能力。尽管如此,其二次方的计算复杂度促使人们致力于设计更高效的架构。此外,生成对抗网络(generative adversarial networks,gan)也被用于通过对抗学习进一步提高重建质量。
5、尽管现有方法已取得显著进展,但大多数方法仍然基于二维(逐层)或2.5d建模范式,未能充分利用医学图像固有的三维特性,从而限制了其在实际应用中的性能。然而,这种对逐层建模的依赖引入了固有的局限性。缺乏显式的层间连续性建模通常会导致重建的三维体数据中出现明显的轴向伪影,而有限的跨层上下文进一步限制了表示能力并降低了性能。
6、因此,开发一种能够适用于医学图像特性的低剂量pet高精度的重建方法,已成为提升核医学影像成像质量并降低辐射暴露以及提升就医体验的迫切需求。
技术实现思路
1、本发明提供一种低剂量核医学pet图像重建方法及系统,用以解决现有技术中存在的缺陷。
2、第一方面,本发明提供一种低剂量核医学pet图像重建方法,包括:
3、获取低剂量核医学pet图像和对应的全剂量pet图像,构建训练数据集;
4、搭建基于u型编解码器架构的低剂量pet重建模型;其中,在编码阶段,对输入的低剂量pet图像特征进行频域解耦,将特征分解为低频分量和高频分量,对所述低频分量采用全局状态空间模型进行全局上下文建模以抑制分布退化,对所述高频分量采用基于空间填充曲线扫描策略的局部状态空间模型进行序列化建模以保持空间局部性和恢复结构细节;在解码阶段,引入全剂量语义感知提示分支,通过将预训练视觉模型提取的全剂量pet语义特征与低剂量pet语义特征进行特征分布对齐,并将对齐后的语义特征与解码器多尺度特征融合,以引导低剂量特征的恢复;
5、将所述低剂量pet图像输入所述重建模型,通过组合损失函数对模型进行监督训练,得到训练好的重建模型;
6、将待重建的低剂量pet图像输入训练好的所述重建模型,得到重建后的pet图像。
7、根据本发明提供的一种低剂量核医学pet图像重建方法,所述频域解耦通过离散小波变换实现,将编码阶段的输入特征分解为多个低频子带和多个高频子带;所述低频子带编码整体结构信息,所述高频子带编码精细细节信息。
8、根据本发明提供的一种低剂量核医学pet图像重建方法,所述全局状态空间模型采用双向三维状态空间模型,对展平后的低频特征序列沿前向和后向两个维度同时进行扫描,建立所有空间体素之间的长程交互,实现对低频退化的全局上下文建模。
9、根据本发明提供的一种低剂量核医学pet图像重建方法,所述空间填充曲线扫描策略采用三维hilbert曲线,通过hilbert映射函数将三维空间坐标沿保持局部亲和性的连续轨迹转换为一维索引,使得在序列建模过程中一维序列中的相邻元素对应空间域中紧密局部的区域。
10、根据本发明提供的一种低剂量核医学pet图像重建方法,所述全剂量语义感知提示分支包括:利用冻结的预训练视觉模型分别提取低剂量pet图像和全剂量pet图像的语义特征;
11、通过余弦相似性约束对低剂量语义特征与全剂量语义特征进行特征分布对齐;将对齐后的语义特征通过通道交叉注意力机制与解码器各阶段的多尺度特征进行融合。
12、根据本发明提供的一种低剂量核医学pet图像重建方法,所述特征分布对齐还包括领域自适应策略,所述领域自适应策略包括通道扩展和使用基于自然图像数据集的统计量对低剂量pet图像各层切片进行归一化,以弥合自然图像与医学图像之间的领域差异。
13、根据本发明提供的一种低剂量核医学pet图像重建方法,所述组合损失函数包括用于约束恢复图像与全剂量图像之间强度信息的像素级损失、用于约束恢复图像与全剂量图像之间结构细节的梯度损失、以及用于约束低剂量语义特征向全剂量语义特征对齐的余弦相似性损失。
14、根据本发明提供的一种低剂量核医学pet图像重建方法,所述训练数据集仅包含单一剂量缩减因子下的低剂量pet图像与全剂量pet图像的配对数据,训练完成后的所述重建模型用于多种不同剂量缩减因子下的低剂量pet图像重建。
15、第二方面,本发明还提供一种低剂量核医学pet图像重建系统,包括:
16、获取模块,用于获取低剂量核医学pet图像和对应的全剂量pet图像,构建训练数据集;
17、搭建模块,用于搭建基于u型编解码器架构的低剂量pet重建模型;其中,在编码阶段,对输入的低剂量pet图像特征进行频域解耦,将特征分解为低频分量和高频分量,对所述低频分量采用全局状态空间模型进行全局上下文建模以抑制分布退化,对所述高频分量采用基于空间填充曲线扫描策略的局部状态空间模型进行序列化建模以保持空间局部性和恢复结构细节;在解码阶段,引入全剂量语义感知提示分支,通过将预训练视觉模型提取的全剂量pet语义特征与低剂量pet语义特征进行特征分布对齐,并将对齐后的语义特征与解码器多尺度特征融合,以引导低剂量特征的恢复;
18、训练模块,用于将所述低剂量pet图像输入所述重建模型,通过组合损失函数对模型进行监督训练,得到训练好的重建模型;
19、输出模块,用于将待重建的低剂量pet图像输入训练好的所述重建模型,得到重建后的pet图像。
20、第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述低剂量核医学pet图像重建方法。
21、本发明提供的低剂量核医学pet图像重建方法及系统,通过基于典型的u型编码-解码结构构建了低剂量pet重建模型,包括多个下采样阶段、一个瓶颈阶段(bottleneckstage),以及与编码器对称的上采样路径,下采样阶段结合频域解耦与状态空间模型(ssm)构建高低频子带全局与局部分别建模的过程。在低频分量采用转台空间模型建模全局上下文信息,在高频分量采用hilbert填充曲线提取局部相对关系建模。另外,为了使低剂量pet图像的剂量信息能够向全剂量对齐,本发明利用dinov2强大的视觉编码能力设计了一个特征调制模型结合余弦相似性损失函数拉齐了低剂量pet与全剂剂量的特征分布作为全剂量语义感知提示分支。输出重建后的pet图像之前,利用一个特征增强模块用于增强经过解码后的低剂量pet特征。最后,利用一个卷积输出恢复的pet图像并与输入低剂量pet相加进行残差学习去噪。除此之外,本发明与现有先进的方法处理结果做了全面的比较,本发明涉及的方法取得了优越的结果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com