一种基于潜在扩散模型的低剂量spect弦图图像重建方法

本发明涉及生物医学图像重建，具体为一种基于潜在扩散模型的低剂量spect弦图图像重建方法。

背景技术：

1、单光子发射计算机断层成像技术作为一种非侵入型分子成像技术，已广泛应用于心血管疾病、骨扫描、肺灌注显像等临床诊断中。其原理是将一定浓度的放射性示踪剂注射到患者体内，放射性示踪剂在衰减过程中会发射出伽马光子。当伽马光子沿着准直器确定的方向运动时，会被围绕在人体周围的探测器记录下来，这些记录的数据可以被处理成一组沿投影角方向的投影数据，对投影数据进行重建算法的迭代重建便可得到用于辅助临床诊断的重建图像。

2、然而，放射性示踪剂会对人体造成特异性辐射损伤，甚至可能增加诱发癌症的风险。因此，在spect成像中，如果能够降低示踪剂的剂量，就能减少对患者的损害。然而，低剂量示踪剂得到的投影数据在重建后的图像质量往往会下降，可能会出现泊松噪声、射线伪影以及空间分辨率低等问题，从而影响临床诊断的准确性。因此，如何在确保重建图像质量满足临床诊断需求的前提下降低spect成像中的放射性示踪剂剂量，已成为一个热门研究课题。

3、基于模型的迭代重建方法是低剂量投影数据重建的传统方法之一，这种方法具有良好的数学解释性，但传统的迭代重建方法中所使用的模型参数，如变换滤波器、非线性收缩算子以及正则化参数等，都需要通过先验知识经验性地选取，无法满足不同剂量下的成像需求。

4、近年来，深度学习技术的发展极大地推动了医学图像重建领域的进展。在分析和迭代重建方法的基础上，传统重建方法与深度学习的结合已成为一个更加热门的趋势。目前，深度学习技术在医学图像重建领域有三大应用：利用神经网络对重建好的图像进行后处理，利用神经网络学习投影数据与重建图像之间的端对端映射，以及利用神经网络对投影数据进行预处理后再用传统重建方法重建。

5、训练深度卷积神经网络通常需要大量的标签数据，而医学影像深度学习中一个常见的不足是缺乏标签数据。数据注释标签通常需要资深专家进行标注，这个过程既耗时又成本高。然而，医学影像领域中存在非常丰富的临床数据，即无标签数据。在只有少量有标签数据和大量无标签数据的条件下，实现从低剂量spect投影数据到高质量spect图像的转换，成为一个非常重要的研究课题。因此，发明一种基于潜在扩散模型的低剂量spect弦图图像重建方法，能够在使用无标签数据条件下实现低剂量spect弦图的去噪预处理，得到高质量的spect弦图，再使用传统-迭代重建mlem算法进行重建，重建出高质量的spect图像。

技术实现思路

1、鉴于上述和/或现有一种基于潜在扩散模型的低剂量spect弦图图像重建方法中存在的问题，提出了本发明。

2、因此，本发明的目的是提供一种基于潜在扩散模型的低剂量spect弦图图像重建方法，能够解决上述提出现有的问题。

3、为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

4、一种基于潜在扩散模型的低剂量spect弦图图像重建方法，其包括具体步骤如下：

5、s1：使用生成对抗网络训练autoencoder，将所有的数据划分成训练集和测试集，按照4：1的比例进一步划分，训练的时候仅仅使用正常剂量弦图，而测试的时候只使用低剂量弦图，统称为无标签数据，将训练好的参数输入到autoencoder作为自动编码器配置的参数；

6、s2：搭建潜在扩散模型，所有数据先经过编码器编码，训练的时候，正常剂量弦图作为网络的输入，测试的时候，低剂量弦图作为网络的输入，将编码后的数据输入搭建好的潜在扩散模型中训练，将模型输出的图像进行解码器解码；

7、s3：将s2中训练好的潜在扩散模型进行测试，将测试数据输入进行采样，得到去噪的弦图；

8、s4：将s3得到去噪的弦图，运用mlem迭代重建算法进行重建，得到重建好的spect图像。

9、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述s1中在数据集的基础上按照4：1的比例进一步划分是指：在数据集上，每连续五份数据中，按照次序，第一次取前四份数据作为训练数据，其余一份作测试数据，两两之间的数据互不交叉，每一份数据集之间的低计量数据与标准计量数据互不交叉。

10、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述s1和所述s2中自动编码器对数据进行处理的操作为：

11、

12、其中x为网络输入的数据，encoder为编码器，是经过编码的低维度隐变量，encoder的编码操作为：

13、x′＝conv_up(x)

14、x″＝leakyrelu(x′)

15、

16、其中x为输入数据，conv_up为上采样卷积层，leakyrelu为激活层，maxpool为最大池化；

17、把输入到模型进行去噪得到将去噪后的数据进行解码处理得到最终的去噪图像，具体操作为：

18、

19、其中为解码器输入的数据，decoder为编码器，x是经过解码的高维度变量，decoder的编码操作为：

20、

21、

22、其中conv_down为下采样卷积层，leakyrelu为激活层。

23、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述s2中潜在扩散模型的结构采用基于cbam注意力机制的unet网络结构，在unet网络结构中，每个卷积块后都添加了cbam注意力机制，且cbam注意力机制包括通道注意力模块。

24、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述cbam注意力机制的计算公式为：

25、f’＝mc(f)+f

26、其中f为特征图，且f∈rc×h×w，+表示对应元素相乘操作，f’为通道注意力模块输出的特征图。

27、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述通道注意力模块的实现公式为：

28、mc(f)＝σ(mlp(maxpool(f)))

29、f为特征图，且f∈rc×h×w，σ()为激活函数，maxpool为最大池化，mlp为只有一层隐藏层的感知机。

30、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述s2的具体过程如下：

31、s21：将数据输入编码器，对应的解码后的数据，算两者之间的mse_loss作为autoencoder部分的损失函数；

32、s22：将编码后的数据输入扩散模型，得到模型的输出，以两者之间的mse_loss作为扩散模型部分的损失函数；

33、s23：最后将autoencoder部分的损失函数和扩散模型部分的损失函数相加作为潜在扩散模型的损失函数进行梯度反向传播训练。

34、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述无标签数据为所述损失函数的式子如下：

35、

36、其中，损失函数第一项为自动编码器损失，第二项为模型无监督损失，其中mse为均方误差函数。

37、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述s3中在采样中加入一个条件块，引入前向过程中的对应步骤的图像，具体过程如下：

38、y`t＝unet(yt+1)

39、p1＝sub(gf(y`t)，gf(xt))

40、p2＝sub(d(y`t)，xt)

41、

42、yt＝sub(y`t`，y`t)

43、其中unet表示训练的神经网络，用于对数据预去噪，gf()表示高斯滤波，对图像进行针对高斯噪声的粗去噪，sub()表示相减，表示cat相加。

44、作为本发明所述的一种基于潜在扩散模型的低剂量spect弦图图像重建方法的一种优选方案，其中：所述s4中的mlem经典迭代重建算法中运用的公式为：

45、

46、其中，

47、yi＝poissom(|af|i)，

48、表示第k步重建图像的估计值，a＝{aij}是系统矩阵，aij为表示从像素j发射的光子被第i条投影线所经过的探测单元检测到的概率，为投影的图像。

49、与现有技术相比：

50、本发明结合了传统的mlem迭代重建方法和神经网络，提出了一种基于潜在扩散模型的低剂量spect弦图预处理和图像重建的自监督方法，利用无标签数据，在训练阶段训练好autoencoder和扩散模型，在测试期间使用训练好的扩散模型进行测试，把低剂量的spect弦图进行去噪预处理，得到高质量的spect弦图，进一步用mlem迭代重建方法，得到高质量的spect图像。