基于自编码器的高时空分辨PET图像重建
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1. 绪论 | 第14-21页 |
| 1.1 引言 | 第14-17页 |
| 1.2 科学问题 | 第17-19页 |
| 1.3 本文贡献 | 第19页 |
| 1.4 论文组织 | 第19-21页 |
| 2. 研究背景 | 第21-38页 |
| 2.1 PET测量数据与存取方式 | 第21-23页 |
| 2.1.1 List-mode数据 | 第21页 |
| 2.1.2 正弦图 | 第21-22页 |
| 2.1.3 系统矩阵 | 第22-23页 |
| 2.2 PET成像统计模型 | 第23-25页 |
| 2.2.1 泊松分布模型 | 第23-24页 |
| 2.2.2 高斯分布模型 | 第24-25页 |
| 2.3 PET图像重建准则 | 第25-27页 |
| 2.3.1 最大后验准则 | 第25-26页 |
| 2.3.2 最大似然准则 | 第26-27页 |
| 2.3.3 最小平方与加权最小平方准则 | 第27页 |
| 2.4 优化方法 | 第27-30页 |
| 2.4.1 最大似然期望最大法 | 第27-28页 |
| 2.4.2 状态空间法 | 第28-30页 |
| 2.5 动态PET图像重建方法 | 第30-31页 |
| 2.5.1 小波基函数法 | 第30-31页 |
| 2.5.2 低秩约束法 | 第31页 |
| 2.6 神经网络概述 | 第31-37页 |
| 2.6.1 神经网络基本模型 | 第31-34页 |
| 2.6.2 神经网络参数及训练方法 | 第34-36页 |
| 2.6.3 神经网络的进展与应用 | 第36-37页 |
| 2.7 本章小结 | 第37-38页 |
| 3. 基于自编码器的动态PET图像重建 | 第38-50页 |
| 3.1 基于自编码器的动态PET重建模型 | 第38-46页 |
| 3.1.1 问题描述 | 第38-39页 |
| 3.1.2 自编码器模板 | 第39-41页 |
| 3.1.3 堆栈式自编码器模型 | 第41-42页 |
| 3.1.4 模型初始化 | 第42-45页 |
| 3.1.5 参数设定与模型求解算法 | 第45-46页 |
| 3.2 基于自编码器的动态PET图像重建方法 | 第46-49页 |
| 3.2.1 训练方法 | 第46-47页 |
| 3.2.2 重建方法 | 第47-49页 |
| 3.3 本章小结 | 第49-50页 |
| 4. 实验结果与分析 | 第50-66页 |
| 4.1 实验数据设置 | 第50-51页 |
| 4.2 实验参数设置 | 第51-52页 |
| 4.3 实验结果评价指标 | 第52页 |
| 4.4 模拟数据实验结果 | 第52-59页 |
| 4.5 真实数据实验结果 | 第59-60页 |
| 4.6 不同计数率下设置实验结果比较 | 第60-64页 |
| 4.7 不同参数设置实验结果比较 | 第64-65页 |
| 4.8 本章小结 | 第65-66页 |
| 5. 双示踪剂PET图像重建 | 第66-70页 |
| 5.1 研究背景及现状 | 第66-67页 |
| 5.2 自编码器双示踪剂PET成像模型 | 第67-70页 |
| 6. 总结和展望 | 第70-71页 |
| 6.1 本文工作总结 | 第70页 |
| 6.2 后续工作展望 | 第70-71页 |
| 参考文献 | 第71-80页 |
| 作者简介 | 第80页 |
