一种基于物理信息神经网络的动态双示踪PET自监督分离方法

本发明公开了一种基于物理信息神经网络的动态双示踪PET自监督分离方法，本方法开创性地将示踪剂动力学模型与深度学习技术相结合，充分发挥了两者的优势。通过将描述示踪剂动力学过程的常微分方程(ODEs)嵌入到神经网络中，并采用自监督训练策略，本发明能够在无需大规模临床数据集的情况下，同时更新网络参数和动力学参数，实现对双示踪PET图像的精准分离。本发明大大降低了对大规模临床PET数据集的依赖性，这不仅解决了获取和处理大量高质量临床数据的难题，也避免了由于数据配准差异导致的复杂性问题。本发明能够为临床诊断提供更精确的分离结果，帮助医生和技术人员更好地理解体内复杂的生理过程，从而做出更加准确的诊断决策。