[论文解读] A Novel Loss Function Incorporating Imaging Acquisition Physics for PET Attenuation Map Generation using Deep Learning

Luyao Shi, John A. Onofrey+7 more|arXiv (Cornell University)|Sep 3, 2019

Medical Imaging Techniques and Applications参考文献 10被引用 10

一句话总结

本文提出了一种新颖的线积分投影损失（LIP-loss）函数，将PET衰减物理模型融入深度学习，以从PET原始数据生成高精度的衰减图。通过直接最小化衰减图的线积分投影误差——这是实现准确PET衰减校正的关键——LIP-loss在性能上优于传统的图像域损失（IM-loss），显著减少了重建伪影，并在最先进的方法中提升了定量准确性。

ABSTRACT

In PET/CT imaging, CT is used for PET attenuation correction (AC). Mismatch between CT and PET due to patient body motion results in AC artifacts. In addition, artifact caused by metal, beam-hardening and count-starving in CT itself also introduces inaccurate AC for PET. Maximum likelihood reconstruction of activity and attenuation (MLAA) was proposed to solve those issues by simultaneously reconstructing tracer activity ($λ$-MLAA) and attenuation map ($μ$-MLAA) based on the PET raw data only. However, $μ$-MLAA suffers from high noise and $λ$-MLAA suffers from large bias as compared to the reconstruction using the CT-based attenuation map ($μ$-CT). Recently, a convolutional neural network (CNN) was applied to predict the CT attenuation map ($μ$-CNN) from $λ$-MLAA and $μ$-MLAA, in which an image-domain loss (IM-loss) function between the $μ$-CNN and the ground truth $μ$-CT was used. However, IM-loss does not directly measure the AC errors according to the PET attenuation physics, where the line-integral projection of the attenuation map ($μ$) along the path of the two annihilation events, instead of the $μ$ itself, is used for AC. Therefore, a network trained with the IM-loss may yield suboptimal performance in the $μ$ generation. Here, we propose a novel line-integral projection loss (LIP-loss) function that incorporates the PET attenuation physics for $μ$ generation. Eighty training and twenty testing datasets of whole-body 18F-FDG PET and paired ground truth $μ$-CT were used. Quantitative evaluations showed that the model trained with the additional LIP-loss was able to significantly outperform the model trained solely based on the IM-loss function.

研究动机与目标

• 解决由CT-MR不匹配、金属伪影、束硬化效应以及计数饥饿引起的PET衰减校正不准确问题。
• 克服基于深度学习的衰减图生成中图像域损失（IM-loss）的局限性，后者未考虑PET中的物理投影过程。
• 开发一种损失函数，直接优化衰减图的线积分投影，与PET采集物理原理保持一致。
• 提升仅基于PET数据生成的衰减图质量，尤其是在缺乏CT扫描的情况下。
• 通过引入物理感知训练，提升基于深度学习的同步PET活性与衰减重建的准确性。

提出的方法

• 提出一种新颖的损失函数——线积分投影损失（LIP-loss），用于计算预测衰减图与真实值之间投影衰减值的差异。
• 利用物理原理：PET衰减校正依赖于沿每个 sinogram 线视线方向的衰减图线积分。
• 将LIP-loss与标准图像域损失（IM-loss）结合，用于训练基于U-Net的卷积神经网络（CNN）以预测衰减图。
• 使用80个全身18F-FDG PET/CT数据集进行训练，20个用于测试，真实衰减图由CT生成。
• 网络从仅基于PET原始数据重建的λ-MLAA和μ-MLAA输出中预测衰减图（μ-CNN）。
• LIP-loss具有可微性，并被整合到训练目标中，以引导网络最小化物理投影误差。

实验结果

研究问题

• RQ1 是否可以通过融合PET的物理投影模型的损失函数，提升仅基于PET数据的衰减图估计性能？
• RQ2 与标准图像域损失（IM-loss）相比，LIP-loss在减少PET重建中衰减校正误差方面表现如何？
• RQ3 将PET采集物理模型整合到损失函数中，是否能生成比传统深度学习方法更准确的衰减图？
• RQ4 在缺乏CT的情况下，LIP-loss在多大程度上减少了由金属、束硬化或患者运动引起的伪影？
• RQ5 所提出的方法是否能在不依赖CT扫描的情况下，实现与基于CT的衰减校正相当的性能？

主要发现

• 使用附加LIP-loss训练的模型在定量评估指标上显著优于仅使用IM-loss训练的模型。
• 与仅使用IM-loss训练相比，LIP-loss在衰减图估计中的平均绝对误差（MAE）更低。
• 所提出方法在PET图像重建中实现了更高的定量准确性，活性图与衰减图的偏差和噪声均减少。
• 物理感知损失的整合使线积分投影更加准确，直接符合PET衰减校正的物理原理。
• 结果表明，LIP-loss在无CT条件下能有效减轻由金属、束硬化和计数饥饿引起的伪影。
• 该方法在仅基于PET数据的衰减图生成中达到了最先进性能，验证了物理信息损失函数在医学图像重建中的重要性。