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：深圳先进技术研究院

摘要：本申请涉及一种用于低剂量PET重建的多任务学习型生成式对抗网络生成方法及系统，属于深度学习的技术领域，生成方法包括对编码器和解码器各层之间采用跳跃连接，得到U‑Net型的图片生成器；生成式对抗网络组生成，多个图片生成器和多个判别器一一对应得到一组生成式对抗网络生成组，得到一个生成式对抗网络组；得到第一多任务学习型生成式对抗网络；设计用于提高成像质量的联合损失函数l；根据联合损失函数l，结合优化器，对第一多任务学习型生成式对抗网络进行训练，得到第二多任务学习型生成式对抗网络。与相关技术相比，本申请具有改善重建的低剂量PET图像信噪比低以及丢失细节的问题的效果。

主权项：1.一种用于低剂量PET重建的多任务学习型生成式对抗网络生成方法，其特征在于，包括：步骤101、基于编码器和解码器，对编码器和解码器各层之间采用跳跃连接，得到UNet型的图片生成器；编码器用于对输入的图像进行特征提取，解码器用于对提取到的特征进行重建；所述编码器和解码器均包括多个基本块，所述基本块包括卷积、批归一化、丢包和LearkyReLU激活函数；通过设置步长为2的卷积来实现下采样层，输入的图像将通过一系列逐层递减采样的层，直到成为瓶颈层为止，到了瓶颈层，先前的过程将被逆转，编码器和解码器要求所有信息都经过包括瓶颈在内的所有层；步骤102、生成生成式对抗网络组，多个图片生成器和多个判别器一一对应得到一组生成式对抗网络组，所述多个图片生成器均以输入模态作为条件输入，以生成需求PET图像作为学习目标，所述多个判别器均以对应图片生成器的输入模态、输入模态对应的标签图片以及输出结果作为输入，得到一个生成式对抗网络组；其中，每组生成式对抗网络组中，输入模态至少包括同一图片对象的低剂量PET图像和MR图像两类图像；所述MR图像用以提供软组织结构信息以指导PET降噪；步骤103、所述生成式对抗网络组中的多个生成式对抗网络并行学习，且各个生成式对抗网络的图片生成器共享浅层信息，得到第一多任务学习型生成式对抗网络；步骤104、以标准剂量PET图片作为输入模态对应的标签图片，采用L1型损失函数和交叉熵损失函数对第一多任务学习型生成式对抗网络进行参数估计，根据各个图片生成器的输出结果、标签图片和判别器输出结果，设计用于提高成像质量的联合损失函数l；以及，步骤105、根据所述联合损失函数l，对所述第一多任务学习型生成式对抗网络结合优化器进行训练，得到用于重建低剂量PET图片的第二多任务学习型生成式对抗网络；所述设计用于提高成像质量的联合损失函数的步骤104包括：步骤1041、以标准剂量PET图片作为输入模态对应的标签图片；步骤1042、采用L1型损失函数对第一多任务学习型生成式对抗网络的图片生成器进行参数估计，采用交叉熵损失函数对第一多任务学习型生成式对抗网络的判别器进行参数估计，得到图片生成器输出结果与标签图片之间的损失函数lL1以及判别器的损失函数lGAN；步骤1043、将单个生成式对抗网络的损失函数lL1和损失函数lGAN相加，得到损失函数输出；以及，步骤1044、将第一多任务学习型生成式对抗网络的各个生成式对抗网络的损失函数输出相加，得到第一多任务学习型生成式对抗网络的联合损失函数l；所述得到用于重建低剂量PET图片的第二多任务学习型生成式对抗网络的步骤105包括：根据所述联合损失函数l，不断对所述第一多任务学习型生成式对抗网络结合优化器进行训练；以及，当所述第一多任务学习型生成式对抗网络达到收敛状态时，收敛状态的第一多任务学习型生成式对抗网络的多个并行学习的图片生成器为第二多任务学习型生成式对抗网络，且所述多个并行学习的图片生成器共享所述浅层信息；所有的图片生成器通过信息共享层共享所述浅层信息；通过共享所述浅层信息，在重建图片过程中不断为目标重建图片提供额外的细节信息；所有编码器与解码器对都通过所述信息共享层连接在一起，将X∈{xi,xs,xd}作为每个编码器的输入模态，将E∈{Ei,Es,Ed}表示编码器的结构，得到每个编码器的输出r,即为所述信息共享层的表示，r∈{Eixi,Esxs,Edxd}；来自所有编码器的r具有相同的形状C×H×W，其中C，H，W分别代表通道的数目、高度、宽度，定义解码器结构为D∈{Di,Ds,Dd},则输出y∈{Dir,Dsr,Ddr}；编码器和解码器之间的信息共享层在不同模态之间没有区别，编码器输出会被馈送到所有解码器中，并且同时每个解码器能够解码任意一个信息共享层中的编码器输出。

全文数据：

权利要求：

百度查询： 深圳先进技术研究院 用于低剂量PET重建的多任务学习型生成式对抗网络生成方法及系统