论文部分内容阅读
正电子发射断层成像技术(Positron Emission Tomography,PET)是一种非介入、能动态反映活体组织与器官代谢水平的分子影像技术。小动物PET在药代动力学、新药研发以及疗效评估等科学研究上具有重大意义。然而,小动物PET的定量精度目前仍受限于探测器的空间分辨率与灵敏度。因此,进行高性能的小动物PET系统的研发一直是分子影像科学研究中的重要内容。本文采用LYSO晶体与SiPMs探测器结合搭建了一款具备高分辨率、高灵敏度的小动物PET探测系统原型机。原型机由60个晶体检测器分为5个连续的12边形探测环组成,其中心孔径与轴向跨度分别为102 mm与125.4 mm,具备高达50.8°的光子最大接收角。全文主要针对该原型机的性能评估以及探测数据填补方法两个方面进行展开研究,并在此基础上完成了小动物PET成像系统的软件开发,具体内容如下:(1)小动物PET的系统仿真与预期性能评估。本文首先利用GATE蒙特卡罗平台建立了开发的原型机仿真模型,之后对原型机的空间分辨率、计数性能(散射分数与等效噪声计数率)、探测灵敏度以及成像质量共四个性能进行预评估与分析。结果显示,该原型机的空间分辨率为1.62 mm,探测灵敏度为9.26%,散射分数为20.8以及等效噪声计数率为2,256 kcps,总体性能与西门子Inveon PET系统相近并在探测灵敏度以及等效噪声计数率性能上分别取得21.36%以及35.14%的提升。因此,本文设计与搭建的PET原型机有望进一步提升小动物PET应用的定量精度。(2)基于深度学习的弦图缺失数据填补方法。由于原型机中相邻晶体检测器之间存在约4.5°的间隙,导致约15%的探测数据丢失,若利用现有的探测数据填补技术进行数据填补,则无法在图像质量与重建效率之间取得良好的平衡。针对此问题,本文提出基于深度学习的数据填补重建网络(Gap-filling Reconstruction Net,GapFill-ReconNet),该网络由 Gap-Filling 以及 Image-Recon两个子模块组成。其中Gap-Filling模块采用卷积残差网络实现对不完整弦图的数据填补,Image-Recon模块采用自动编码-解码器结构实现从弦图域到图像域的直接映射功能。本文首先利用MOBY仿真体模随机生成了 150例小鼠PET全身图像,经过数据增强与筛选,获得43,660张2D PET图像作为参考图像。然后通过立体角(Solid Angle)模型构建小动物PET原型机的系响应统矩阵并对PET参考图像进行前向投影,产生相应的残缺弦图作为网络的输入进行训练。实验结果分别与MLEM、Interp-FBP以及Gap-Filling FBP算法进行比较。GapFill-Recon Net的重建图像在平均相对均方根误差(rRMSE)、结构相似性(SSIM))、峰值信噪比(PSNR)三个性能指标上均取得最优表现。其平均重建时间与FBP算法相近,均在10 ms量级内,相比MLEM算法提升了约84倍。