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！

龙图腾网恭喜浙江大学嘉兴研究院;浙江大学申请的专利基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114387236B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111662814.8，技术领域涉及：G06T7/00；该发明授权基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法是由刘华锋;邱海祥设计研发完成，并于2021-12-31向国家知识产权局提交的专利申请。

本基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法在说明书摘要公布了：本发明公开了一种基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法，其将重建问题拆分成投影域去噪、投影域到图像域重建、图像域去噪三个子问题，分别用金字塔卷积加权去噪模块、改进的滤波反投影层、改进的去噪卷积神经网络解决；金字塔卷积加权去噪模块将低剂量的投影域数据Sinogram去噪，生成接近标准剂量的投影域数据，滤波反投影层将频域滤波器看作可学习的，由去噪后的投影域数据Sinogram重建含有噪声的重建图，改进的DnCNN去除重建图像中的少量噪声，从而获得高质量的重建图。本发明解决了深度学习用于图像重建时难以解释的问题，在低剂量的情况下，依然能够重建高质量的PET图像。

本发明授权基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法在权利要求书中公布了：1.一种基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法，包括如下步骤：1获取模拟生成的正常剂量的Sinogram投影数据，采用OSEM重建算法对正常剂量的Sinogram投影数据进行重建得到其对应的PET图像；2利用泊松分布对正常剂量的Sinogram投影数据进行降采样，得到低剂量的Sinogram投影数据，具体实现方式为：对于正常剂量的Sinogram投影数据，首先利用Python内置库函数基于泊松分布生成与其Sinogram矩阵相同大小的随机数矩阵，通过设置不同的归一化系数，将随机数矩阵的均值设置成不同的大小，进而通过矩阵点乘运算，让Sinogram矩阵的均值变成原来的n分之一，从而得到低剂量的Sinogram投影数据，n为降采样的倍率；3根据步骤1和2获取大量样本，每一样本包括低剂量的Sinogram投影数据、正常剂量的Sinogram投影数据及其对应的PET图像；4将PET重建问题拆分成以下三个子问题：子问题1是一个Sinogram投影域去噪问题，由低剂量的Sinogram投影数据经过神经网络去噪，生成接近标准剂量的Sinogram投影数据Y1；子问题2是一个重建问题，由Sinogram投影数据Y1通过改进的滤波反投影算法得到含有少量噪声的PET重建图像X1；子问题3也是一个去噪问题，由PET重建图像X1经过神经网络去噪，得到高质量的PET重建图像X；5将所有样本划分成训练集和测试集，搭建由去噪模块D1、重建模块和去噪模块D2依次连接组成的网络模型；利用训练集样本中低剂量的Sinogram投影数据作为去噪模块D1的输入，正常剂量的Sinogram投影数据作为去噪模块D1输出的真值标签；使去噪模块D1的输出结果作为重建模块的输入，正常剂量的Sinogram投影数据对应的PET图像作为重建模块输出的真值标签；使重建模块的输出结果作为去噪模块D2的输入，正常剂量的Sinogram投影数据对应的PET图像作为去噪模块D2输出的真值标签，从而对整个网络模型进行训练；所述去噪模块D1采用金字塔卷积加权去噪模块，其从输入至输出由7个卷积块依次连接组成，所述卷积块由一个pixelattention层和一个多尺度卷积层连接组成，所述pixelattention层由两个3×3的2D卷积层以及一个sigmoid激活函数连接组成，所述多尺度卷积层分别采用3×1、1×3、5×1、1×5以及7×1、1×7大小的卷积核进行卷积运算，并将各卷积核的运算结果拼接在一起作为输出；所述重建模块基于改进的滤波反投影算法，包括频域滤波和反投影两部分，其中反投影部分的做法和传统滤波反投影算法一样，而频域滤波部分则采用可学习的滤波器，且每个角度的投影数据对应一个独立的一维频域滤波器；所述去噪模块D2采用改进的去噪卷积神经网络，其从输入至输出由8个2D卷积层和1个归一化层依次连接组成，每个2D卷积层都包含了64个3×3的卷积核，除第8个卷积层外，前7个卷积层的输出都使用了激活函数ReLU和批归一化BN处理；进而将去噪模块D2的输入减去第8个卷积层的输出，然后通过归一化层便可输出得到高质量的PET重建图像；6将测试集样本中低剂量的Sinogram投影数据输入至训练完成后的网络模型中，重建得到对应的PET图像，使其与正常剂量的Sinogram投影数据对应的PET图像进行比较；上述低剂量Sinogram去噪与PET图像重建方法结合了传统的滤波反投影算法和卷积神经网络，提出了一种可解释的深度神经网络结构，用于PET图像重建，将重建问题拆分成投影域去噪、投影域到图像域重建、图像域去噪三个子问题，分别用金字塔卷积加权去噪模块、改进的滤波反投影层FBP、改进的去噪卷积神经网络DnCNN解决；金字塔卷积加权去噪模块将低剂量的投影域数据Sinogram去噪，生成接近标准剂量的投影域数据，滤波反投影层将频域滤波器看作可学习的，由去噪后的投影域数据Sinogram重建含有噪声的重建图，改进的DnCNN去除重建图像中的少量噪声，从而获得高质量的重建图。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学嘉兴研究院;浙江大学，其通讯地址为：314031 浙江省嘉兴市秀洲区智富中心48幢401室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。