技術特征：

1.一種基于棧式自編碼器的混合示蹤劑動態(tài)PET濃度分布圖像重建的方法，包括如下步驟：

(1)將兩種示蹤劑注入到生物組織中，利用探測器對注有放射性藥劑的生物組織進行探測，采集得到對應不同時刻的符合計數(shù)向量，構建組成對應混合示蹤劑動態(tài)PET的符合計數(shù)矩陣Y、對應第一種示蹤劑動態(tài)PET的符合計數(shù)矩陣Y₁以及對應第二種示蹤劑動態(tài)PET的符合計數(shù)矩陣Y₂；

(2)根據(jù)符合計數(shù)矩陣Y、Y₁和Y₂，利用PET成像原理通過ML-EM算法求解得到對應混合示蹤劑的動態(tài)PET濃度分布圖像X、對應第一種示蹤劑的動態(tài)PET濃度分布圖像X₁以及對應第二種示蹤劑的動態(tài)PET濃度分布圖像X₂；

然后將不同幀的PET濃度分布圖像按照像素點順序排列，得到混合示蹤劑PET濃度分布圖像中像素點的動態(tài)濃度真值向量集x和雙示蹤劑合并后PET濃度分布圖像中像素點的動態(tài)濃度真值向量集o，將x和o組成作為訓練集；

$\left\{\begin{array}{c}x=[x_1,x_2,...,x_{m\×m}]\\ o=[o_1,o_2,...,o_{m\×m}]\end{array}\right.$

其中，x中的每個向量作為神經(jīng)網(wǎng)絡的訓練樣本，o中的每個向量作為訓練樣本所對應的真值標簽；

(3)用訓練集訓練多個自編碼器，級聯(lián)組成棧式自編碼器，然后再用訓練集對棧式自編碼器進行微調(diào)，得到PET濃度分布圖像重建模型；

(4)利用步驟(1)的方法采集得到新符合計數(shù)矩陣，然后根據(jù)步驟(2)得到新混合示蹤劑的動態(tài)PET濃度分布圖像，并將新混合示蹤劑的不同幀的PET濃度分布圖像按照像素點順序排列作為測試集最后將測試集輸入到PET濃度分布圖像重建模型中，重建得到兩種示蹤劑的動態(tài)PET濃度分布圖像。

2.根據(jù)權利要求1所述的基于棧式自編碼器的混合示蹤劑動態(tài)PET濃度分布圖像重建的方法，其特征在于：所述的對不同幀的PET濃度分布圖像按照像素點順序排列的具體方法為：

首先，將動態(tài)PET濃度分布圖像X、X₁和X₂中的像素數(shù)據(jù)排列成如下形式：

$\left\{\begin{array}{c}x=\[x_1,x_2,\mathrm{...},x_i,\mathrm{...},x_{m\×m}\]\\ x^1=\[x_1^1,x_2^1,\mathrm{...},x_i^1,\mathrm{...},x_{m\×m}^1\]\\ x^2=\[x_1^2,x_2^2,\mathrm{...},x_i^2,\mathrm{...},x_{m\×m}^2\]\end{array}\right.$

其中，x¹為第一種示蹤劑PET濃度分布圖像中像素點的動態(tài)濃度真值向量集，x²為第二種示蹤劑PET濃度分布圖像中像素點的動態(tài)濃度真值向量集，x_i對應為混合示蹤劑PET濃度分布圖像中第i個像素的動態(tài)濃度真值向量，對應為第一種示蹤劑PET濃度分布圖像中第i個像素的動態(tài)濃度真值向量，對應為第二種示蹤劑PET濃度分布圖像中第i個像素的動態(tài)濃度真值向量；i為自然數(shù)且1≤i≤m²，m×m為圖像的分辨率，x_i、和的具體表達如下：

$\left\{\begin{array}{c}{x}_i={\[x_{1i},x_{2i},...,x_{ji},...,x_{ki}\]}^T\\ x_i^1={\[x_{1i}^1,x_{2i}^1,...,x_{ji}^1,...,x_{ki}^1\]}^T\\ x_i^2={\[x_{1i}^2,x_{2i}^2,...,x_{ji}^2,...,x_{ki}^2\]}^T\end{array}\right.$

其中：x_ji為對應混合示蹤劑第j幀PET濃度分布圖像中第i個像素的濃度值，為對應第一種示蹤劑第j幀PET濃度分布圖像中第i個像素的濃度值，為對應第二種示蹤劑第j幀PET濃度分布圖像中第i個像素的濃度值，j為自然數(shù)且1≤j≤k，k為每種示蹤劑的PET濃度分布圖像的幀數(shù)，^T表示轉置；

然后，將x¹和x²合并得到o，o中的第i列向量為

$o_i=\left[\begin{array}{c}{x}_i^1\\ x_i^2\end{array}\right].$

3.根據(jù)權利要求1所述的基于棧式自編碼器的混合示蹤劑動態(tài)PET濃度分布圖像重建的方法，其特征在于：所述的自編碼器由輸入層、隱藏層和輸出層組成，從輸入層到隱藏層部分稱為編碼器，隱藏層到輸出層部分稱為譯碼器；其中，前一個自編碼器的隱藏層為后一個自編碼器的輸入層；對于任一自編碼器，其隱藏層的神經(jīng)元個數(shù)比輸入層的神經(jīng)元個數(shù)少。

4.根據(jù)權利要求3所述的基于棧式自編碼器的混合示蹤劑動態(tài)PET濃度分布圖像重建的方法，其特征在于：所述自編碼器的函數(shù)模型如下：

h＝f(Wx+b)

p＝f(W′h+b′)

其中：x、h和p分別為自編碼器的輸入層、隱藏層和輸出層，w和b均為為編碼器的權重和偏置參數(shù)，w'和b'均為譯碼器的權重和偏置參數(shù)，f為激活函數(shù)。

5.根據(jù)權利要求4所述的基于棧式自編碼器的混合示蹤劑動態(tài)PET濃度分布圖像重建的方法，其特征在于：在步驟(3)中，對棧式自編碼器進行訓練的具體方法如下：

(3-1)訓練棧式自編碼器中的第一個自編碼器：將訓練集中的x作為該自編碼器的輸入層，以該自編碼器的輸出層與輸入層的損失函數(shù)L最小為目標，通過反向傳播算法和梯度下降法求解出該自編碼器輸入層與隱含層之間以及隱含層與輸出層之間的模型參數(shù)；

(3-2)訓練棧式自編碼中除去第一個和最后一個的任一自編碼器：將前一個自編碼器的隱藏層作為該自編碼器的輸入層，以該自編碼器的輸輸出層和輸入層的損失函數(shù)L最小為目標，通過反向傳播算法和梯度下降法求解出該自編碼器輸入層與隱含層之間以及隱含層與輸出層之間的模型參數(shù)；

(3-3)訓練棧式自編碼器中的最后一個自編碼器，將前一個自編碼器的隱藏層作為該自編碼器的輸入層，以訓練集中的o與該自編碼器輸入層的損失函數(shù)L'最小為目標，通過反向傳播算法和梯度下降法求解出該自編碼器輸入層與隱含層之間以及隱含層與輸出層之間的模型參數(shù)；

(3-4)將訓練集中的x和o作為棧式自編碼器的輸入層和輸出層的真值，再次進行訓練，得到PET濃度分布圖像重建模型。

6.根據(jù)權利要求5所述的基于棧式自編碼器的混合示蹤劑動態(tài)PET濃度分布圖像重建的方法，其特征在于：所述的棧式自編碼器的所述的損失函數(shù)L和L'的表達式如下：

L＝||z-t||² L'＝||o-t||²

其中：o為訓練樣本所對應的真值標簽。

7.根據(jù)權利要求1所述的基于棧式自編碼器的混合示蹤劑動態(tài)PET濃度分布圖像重建的方法，其特征在于：在步驟(4)中，將測試集輸入到濃度分布圖像重建模型中從而重建得到兩種示蹤劑的動態(tài)PET濃度分布圖像，具體過程如下：

首先，將測試集中的每一列作為PET濃度分布圖像重建模型的輸入，求解得到棧式自編碼器的輸出：

$\hat{o}=\[{\hat{o}}_1,{\hat{o}}_2,...,{\hat{o}}_{m\×m}\]$

然后，將重新分解成為：和重建得到兩種示蹤劑動態(tài)PET濃度分布圖像。