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！

龙图腾网获悉浙江大学申请的专利一种基于最大期望网络的无衰减校正PET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：CN115423892B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202211253908.4，技术领域涉及：G06T11/00；该发明授权一种基于最大期望网络的无衰减校正PET重建方法是由刘华锋;赵林林设计研发完成，并于2022-10-13向国家知识产权局提交的专利申请。

本一种基于最大期望网络的无衰减校正PET重建方法在说明书摘要公布了：本发明公开了一种基于最大期望网络的无衰减校正PET重建方法，实现了基于无衰减校正的测量数据直接重建PET图像的过程，该方法基于EM重建和CNN构建了网络框架，EM用来重建粗糙的PET图像，CNN用来改善PET图像质量，CNN能够学习无衰减校正的测量数据和PET图像之间的衰减机制，实现对PET图像的衰减补偿。本发明不需要额外的CT或MR扫描，也不需要对测量数据进行衰减校正，就可以实现从sinogramNAC到PET图像的映射。此外，本发明在训练阶段收敛快，能够快速得到训练模型，且在模型训练完成后，可基于测量数据快速得到PET图像。

本发明授权一种基于最大期望网络的无衰减校正PET重建方法在权利要求书中公布了：1.一种基于最大期望网络的无衰减校正PET重建方法，包括如下步骤： 1利用PET系统对注入有放射性示踪剂的生物组织进行扫描，以采集获得测量数据sinogramNAC； 2对注入有放射性示踪剂的生物组织进行CT或MR采集，进而将CT或MR图像中的数值转换为511KeV能量下的衰减系数，从而生成衰减图； 3利用所述衰减图对测量数据sinogramNAC进行校正，得到校正后的测量数据sinogramAC； 4基于测量数据sinogramAC进行PET重建，得到对应的PET图像xAC； 5根据步骤1～4执行多次扫描重建以得到大量样本，每组样本包含相对应的sinogramNAC以及xAC，进而将所有样本分为训练集和测试集； 6构建基于最大期望网络的PET重建模型，其包括初始化模块、EM重建模块以及CNN衰减补偿模块，其中初始化模块利用初始化矩阵将测量数据sinogramNAC转换为初始化图像x0，EM重建模块用于将初始化图像x0重建为PET图像r1，CNN衰减补偿模块用于对PET图像r1进行衰减补偿以得到第一层迭代输出的PET图像x1，且EM重建模块与CNN衰减补偿模块组合作为优化结构EMCNN并重复多层迭代，x1则作为第2层EMCNN的输入，经过多层迭代后最终输出模型重建得到的PET图像； 所述初始化模块采用的初始化矩阵表达式如下： Qinit＝xyTyyT+λI‑1其中：Qinit为初始化矩阵，x和y分别为训练集样本中的xAC以及sinogramNAC，λ为正则化系数，I为单位矩阵，T表示转置； 所述CNN衰减补偿模块从输入至输出由卷积层D1、批归一化层B1、ReLU激活层R1、卷积层D2、软阈值计算层、卷积层D3、ReLU激活层R2、批归一化层B2、卷积层D4依次连接组成，其中四个卷积层D1～D4中的卷积核大小均为3×3，深度依次为32、32、32、1； 7以训练集样本中的sinogramNAC作为模型输入，xAC作为标签，对PET重建模型进行训练，具体过程如下： 7.1初始化模型参数，包括每一层的偏置向量和权值矩阵、学习率、优化方法以及最大迭代次数； 7.2将训练集样本中的测量数据sinogramNAC输入至模型，模型正向传播输出重建得到的PET图像，根据以下表达式计算该PET图像与标签xAC之间的损失函数L； 其中：k1和k2分别为权重系数，Nb为PET图像的像素总数，N为训练集中的样本数量，Np为模型中EMCNN的总层数，xout,i为模型重建输出PET图像中第i个像素点的浓度值，xlabel,i为标签xAC中第i个像素点的浓度值，为模型第j层EMCNN中CNN衰减补偿模块输出PET图像中第i个像素点的浓度值，为模型第j层EMCNN中EM重建模块输出PET图像中第i个像素点的浓度值； 7.3根据损失函数L利用梯度下降法对模型参数不断迭代更新，直至损失函数收敛，训练完成； 8将测试集样本中的sinogramNAC输入至训练好的PET重建模型中，即可在无衰减校正情况下直接重建得到对应的PET图像。

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，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；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”。

以上内容由龙图腾AI智能生成。