基于深度学习技术的PET图像处理专利发明.pdf

简介：
本论文探讨了一种运用深度学习技术优化正电子发射断层扫描（PET）图像处理的新方法，旨在提升医疗诊断效率与准确性。 本发明专注于利用深度学习技术优化正电子发射型断层显像（PET）图像的处理，以提高图像质量和临床诊断准确性。PET成像是通过放射性示踪剂揭示体内分子级别活动的一种高级医学诊断技术，在肿瘤学、心脏病学和神经病学等领域广泛应用。然而，由于设备分辨率限制及固有噪声的影响，PET图像通常存在高噪音水平、低分辨率以及难以辨识的细节问题。 传统方法中，PET图像处理主要包括迭代重建算法如最大似然期望最大化（MLEM）与滤波后处理技术。随着迭代次数增加，虽然MLEM可以减少偏差但会显著提高噪声；为降低噪声，临床实践中常采用非局部均值滤波等手段，但这可能会模糊关键特征并降低对比度。另一种方法是使用MAP算法引入先验信息（如PET、CT或MRI图像）来降噪，然而这可能导致细节损失。 近年来，深度学习技术在医学图像处理中表现出色，已被证明能有效应用于降噪、分割和诊断等领域。尽管如此，现有的深度学习方法大多针对单个输入的医学图像进行优化，在非滤波或已过滤PET图像上的应用效果有限，并且可能因过度降噪而影响到细节清晰度。 两项相关专利（CN11784788A和CN11867474A）虽涉及基于深度学习的PET图像处理，但它们仅使用单个输入进行训练，需要大量数据支持网络优化，并且不能充分利用非滤波与已过滤图像的信息。 为解决现有技术中的不足之处，本发明提出了一种新的多输入融合算法：结合未经过滤和已经过滤后的PET图像信息来显著减少噪声的同时保持对比度及细节。此方法旨在克服传统技术和单一输入深度学习的局限性，并提供更全面、准确的PET图像处理方案，从而提升临床诊断可靠性，特别是在低剂量PET成像中的应用潜力巨大，有助于提高诊断效率和患者护理质量。