(19)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 202210888012.7 (22)申请日 2022.07.25 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 刘华锋　胡睿　 (74)专利代理 机构 杭州天勤知识产权代理有限 公司 33224 专利代理师 王琛 (51)Int.Cl. G06T 19/00(2011.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于列表数据和深度学习的PET重建模 型构建方法 (57)摘要 本发明公开了一种基于列表数据和深度学 习的PET重建模型构建方法， 其通过域转化函数 将列表模式数据和深度学习计数进行结合， 解决 了列表模式数据难以直接通过深度神经网络进 行处理的问题。 通过域转化函数， 本发明可以对 任意格式以及任意存储大小的列表模式数据从 测量域转化到图像域， 从而可以利用端到端的深 度神经网络方法直接处理学习。 本发 明利用深度 学习进行列表模式数据重建， 和其他用于列表模 式数据重建的方法相比， 大大提升了重建速度； 对于列表模式MLEM算法来 说， 重建一张大脑图像 需要几十秒的时间， 而本发明只需要1秒钟左右 就可以重建完成， 在实时重建以及短时间帧重建 等领域有更 大的应用潜力。 权利要求书2页 说明书5页 附图3页 CN 115170775 A 2022.10.11 CN 115170775 A 1.一种基于列表数据和深度学习的PET重建模型构建方法， 包括如下步骤： (1)对PET模板图像进行模拟投影得到PET列表数据； (2)重复执行步骤(1)得到大量样本， 并将所有样本划分为训练集、 测试集和验证集， 每 一组样本包 含PET列表数据以及对应的PET模板图像； (3)构建用于列表数据重建的L istmodeCN N模型； (4)利用训练集样本对ListmodeCNN模型进行训练， 以PET列表数据作为输入， PET模板 图像作为标签； (5)将测试集样本中的PET列表数据直接输入至训练好的模型中， 直接重建输出PET图 像， 以对模型进行性能测试， 测试完成即可利用该模型将PET列表数据直接重建得到PET图 像。 2.根据权利要求1所述的PET重建模型构 建方法， 其特征在于： 所述ListmodeCNN模型包 括： 域转化单元， 用于将输入的PET列表数据从测量 域转化到图像域； 编解码单 元， 用于对图像域的PET列表数据进行重建得到PET图像。 3.根据权利要求2所述的PET重建模型构建方法， 其特征在于： 所述域转化单元采用列 表数据反投影算法或单迭代次数的列 表数据迭代重 建算法将P ET列表数据从测量域转化到 图像域。 4.根据权利要求2所述的PET重建模型构建方法， 其特征在于： 所述编解码单元基于U型 网络的设计， 其结构包括编码单 元、 门控注意力单 元以及解码单 元， 其中： 编码单元从输入到输出由卷积模块C1、 密集模块M1、 密集模块M2、 下采样模块D1、 密集 模块M3、 密集模块M4、 下采样模块D2、 密集模块M5、 密集模块M6、 下采样模块D3、 密集模块M7、 密集模块M8依次连接组成； 解码单元从输入到输出由上采样模块U1、 卷积模块C2、 密集模块M9、 密集模块M10、 上采 样模块U2、 卷积模块C3、 密集模块M11、 密集模块M12、 上采样模块U3、 卷积模块C4、 密集模块 M13、 密集模块M14、 卷积模块C 5依次连接组成； 密集模块M2的输出与上采样模块U3的输入通过门控注意力单元融合后的输出结果与 上采样模块U3的输出拼接作为卷积模块C4的输入； 密集模块M4的输出与上采样模块U2的输 入通过门控注意力单元融合后的输出结果与上采样模块U2的输出拼接作为卷积模块C3的 输入； 密集模块M6的输出与上采样模块U1的输入通过门控注意力单元融合后的输出结果与 上采样模块U1的输出拼接作为卷积模块C2的输入； 卷积模块C5的输出与卷积模块C1的输入 叠加后作为编解码单 元的输出即模型最终输出。 5.根据权利要求4所述的PET重建模型构建方法， 其特征在于： 所述卷积模块C1～C5采 用双卷积层结构， 每个卷积层 采用3*3大小的卷积核， 卷积后需经激活函数PReLU处理； 所述 下采样模块D1～D3采用2*2大小的卷积核， 步长为2， 卷积后需经激活函数PReLU处 理。 6.根据权利 要求4所述的PET重建模型构 建方法， 其特征在于： 所述密集模块M1～M14从 输入到输出由四个卷积层依次连接组成， 所述卷积层 采用3*3大小的卷积核， 卷积后需经激 活函数PReLU处理； 对于任一卷积层， 其将输入与输出拼接后作为下一卷积层的输入， 最后 一个卷积层的输出与第一个卷积层的输入叠加后作为密集模块的输出。 7.根据权利要求4所述的PET重建模型构建方法， 其特征在于： 所述门控注意力单元利权　利　要　求　书 1/2 页 2 CN 115170775 A 2用高层特征来引导低层特征实现对图像细节特征进行注意， 其采用1*1大小的卷积核分别 对编码单元中对应密集模块的输出g以及解码单元中对应上采样模块的输入x进 行卷积， 进 而将两者卷积后的结果相叠加再经过激活函数ReLU、 1*1大小的卷积核、 批归一化以及 sigmoid激活处理后得到注 意力特征图α， 最后将注 意力特征图α 与对应上采样模块的输入x 相乘得到的结果即为门控注意力单 元的输出。 8.根据权利要求1所述的PET重建模型构建方法， 其特征在于： 所述步骤(4)对 ListmodeCN N模型进行训练的过程如下： 4.1初始化模型参数， 包括可学习参数、 卷积层参数、 学习率、 优化算法、 以及最大迭代 次数； 4.2将训练集样本中的PET列表数据输入ListmodeCNN模型， 正向传播通过域转化单元 将数据转 化到图像域， 再通过编解码单 元得到输出结果即重建得到的PET图像； 4.3计算模型重建得到的PET图像与对应标签之间的损失函数， 并根据损失函数采用梯 度下降法对 模型参数进行反向传播更新； 4.4根据步骤4.2和4.3利用优化算法对模型参数不断进行迭代更新， 直至损失函数最 小化收敛或达 到最大迭代次数， 即训练完成。权　利　要　求　书 2/2 页 3 CN 115170775 A 3