买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明公开了一种时空注意力机制约束的双示踪PET成像方法，该方法将混合示踪剂浓度图输入网络，两个单示踪剂的浓度图作为真值训练模型，端到端学习双示踪剂浓度图和两个单示踪剂浓度图之间的映射关系，能够在示踪剂半衰期相同和同时注射的情况下分离出单个示踪剂的浓度图，没有传统方法遇到的限制。本发明使用的模型是一个二维卷积网络，通过加入通道注意力模块同时关注时间信息和空间信息，可以实现更精确可靠的分离。因此，本发明适用于不同的采样协议和示踪剂组合，泛化性和鲁棒性较高。

主权项：1.一种时空注意力机制约束的双示踪PET成像方法，包括如下步骤：1向同一生物组织或器官间隔一定的时间分开注射示踪剂I和示踪剂II，注射后进行PET动态扫描，两次扫描得到单独注射示踪剂I和单独注射示踪剂II对应的PET动态正弦图XI和XII；2向同一生物组织或器官同时注射示踪剂I和示踪剂II，进行一次PET动态扫描后得到混合示踪剂的PET动态正弦图Xdual；3利用PET重建算法对XI、XII和Xdual进行重建，对应得到PET动态浓度图YI、YII和Ydual；4重复执行步骤1～3多次，得到大量样本，每组样本包含对应的PET动态浓度图YI、YII和Ydual，将这些样本分为训练集、验证集和测试集；5构建基于时空注意约束的深度学习网络，其由编码和解码两部分组成，编码部分首先对输入的PET动态浓度图进行3次3×3卷积，卷积通道数为64，接着进行一次2×2卷积的降采样操作，使得特征图大小减少一半，但通道数增加一倍，降采样之后进行2次3×3卷积，卷积通道数与降采样的通道数一致；上述降采样加2次卷积的过程重复3次，通道数依次变为128、256和512，最后输出通道数为512的特征图；解码部分首先对编码部分输出的特征图进行2×2反卷积的上采样操作，特征图大小增加一倍，但通道数减少一半，上采样后得到的特征图与编码部分对应大小的特征图进行拼接，之后进行2次3×3卷积，卷积通道数与上采样的通道数一致；上述上采样加2次卷积的过程重复3次，通道数依次变为256、128和64，最后输出通道数为64的特征图；编码和解码过程中每次卷积后的输出均经过批量归一化层和LeakyReLU激活函数处理，所述降采样操作和上采样操作之前均需要先经过两个卷积层和残差处理，即前一个卷积层的输入与后一个卷积层的输出相加后的结果才最终作为降采样操作或上采样操作的输入；所述深度学习网络为二维卷积网络，考虑PET动态扫描成像，输入网络的是多个时间帧的PET动态浓度图，故将最开始输入网络的图像通道数设置为时间帧的数量，然后在解码部分结尾加入通道注意力模块，而后连接一个3×3卷积层，该卷积层的输出经批量归一化层和softplus激活函数处理，此时卷积层输出通道数为时间帧数量的2倍，之后再加入一个通道注意力模块输出两个示踪剂的堆叠浓度图；所述通道注意力模块对输入特征图依次进行全局池化、全连接、ReLU激活函数、全连接和sigmoid激活函数后得到每个通道的激活值，将激活值与输入特征图对应相乘得到的结果作为通道注意力模块的输出；将训练集样本中的Ydual输入网络，YI和YII作为网络的输出真值，对网络进行训练得到动态双示踪PET信号分离模型，具体训练过程如下：5.1初始化网络参数，设置学习率、优化器以及最大迭代次数；5.2将训练集样本中的Ydual输入网络，网络输出两种示踪剂对应的预测浓度图和计算和与真值YI和YII之间的损失函数L： 其中：α和β分别为平衡MSE和SSIM的权重因子，为与YI之间的MSE，为与YII之间的MSE，为与YI之间的SSIM，为与YII之间的SSIM；5.3根据损失函数L利用梯度下降法对整个网络的参数进行更新，直到损失函数L的值最小收敛或者训练次数达到最大迭代次数后，结束训练；6将测试集样本中的Ydual输入至动态双示踪PET信号分离模型中，分离得到对应的两种示踪剂单独注射对应的PET动态浓度图。

全文数据：

权利要求：

百度查询： 浙江大学 一种时空注意力机制约束的双示踪PET成像方法