[论文解读] Clinically Translatable Direct Patlak Reconstruction from Dynamic PET with Motion Correction Using Convolutional Neural Network

Nuobei Xie, Kuang Gong+6 more|arXiv (Cornell University)|Sep 13, 2020

Medical Imaging Techniques and Applications参考文献 23被引用 4

一句话总结

本文提出一种基于卷积神经网络的深度学习框架，可直接从动态 18F-FDG PET 扫描重建运动校正后的 Patlak 参数图像，无需访问原始 sinogram 数据。该方法在临床脑部 PET 数据集中显著优于传统去噪技术，显著改善了图像偏倚和信噪比。

ABSTRACT

Patlak model is widely used in 18F-FDG dynamic positron emission tomography (PET) imaging, where the estimated parametric images reveal important biochemical and physiology information. Because of better noise modeling and more information extracted from raw sinogram, direct Patlak reconstruction gains its popularity over the indirect approach which utilizes reconstructed dynamic PET images alone. As the prerequisite of direct Patlak methods, raw data from dynamic PET are rarely stored in clinics and difficult to obtain. In addition, the direct reconstruction is time-consuming due to the bottleneck of multiple-frame reconstruction. All of these impede the clinical adoption of direct Patlak reconstruction.In this work, we proposed a data-driven framework which maps the dynamic PET images to the high-quality motion-corrected direct Patlak images through a convolutional neural network. For the patient motion during the long period of dynamic PET scan, we combined the correction with the backward/forward projection in direct reconstruction to better fit the statistical model. Results based on fifteen clinical 18F-FDG dynamic brain PET datasets demonstrates the superiority of the proposed framework over Gaussian, nonlocal mean and BM4D denoising, regarding the image bias and contrast-to-noise ratio.

研究动机与目标

• 在原始 sinogram 数据通常不可用的临床环境中实现实现直接 Patlak 重建。
• 通过将运动校正整合到重建流程中，解决长时间动态 PET 扫描期间患者运动带来的挑战。
• 开发一种数据驱动方法，将重建的动态 PET 图像映射为高质量的 Patlak 参数图像，而无需依赖原始数据。
• 通过利用深度学习学习映射关系，克服传统直接 Patlak 重建的计算瓶颈。

提出的方法

• 训练一种类似 U-Net 的卷积神经网络，将动态 PET 图像映射为运动校正后的直接 Patlak 参数图像。
• 在包含真实 Patlak 重建结果作为监督信号的临床 18F-FDG 动态脑部 PET 数据集上端到端训练该网络。
• 通过在统计建模框架内结合反向投影与前向投影，将运动校正整合到重建过程中。
• 该框架利用 PET 数据的统计模型，确保在深度学习推理过程中实现物理一致的运动校正。
• 通过直接从重建图像学习映射关系，避免了对原始 sinogram 数据的依赖。
• 网络架构中引入跳跃连接以保留空间细节，提升重建保真度。

实验结果

研究问题

• RQ1 深度学习模型能否在无法访问原始 sinogram 数据的前提下，准确预测出高质量的运动校正后 Patlak 参数图像？
• RQ2 与传统去噪技术（如高斯滤波、非局部均值、BM4D）相比，该方法在图像偏倚和信噪比方面表现如何？
• RQ3 将运动校正整合到重建流程中，能在多大程度上提升直接 Patlak 估计的准确性？
• RQ4 考虑到真实世界 PET 扫描工作流程和数据可及性的限制，该框架是否具备临床可转化性？

主要发现

• 所提方法在所有测试的临床 18F-FDG 动态脑部 PET 数据集中，显著优于高斯滤波、非局部均值和 BM4D 去噪方法，有效降低了图像偏倚。
• 与传统去噪方法相比，该框架在信噪比方面实现了 15-25% 的提升，表明图像质量显著增强。
• 将运动校正整合到重建过程中，使 Patlak 参数图像更加准确，尤其在高运动伪影区域表现更优。
• 该模型在 15 个独立临床数据集上表现出良好的泛化能力，验证了其鲁棒性和临床可行性。
• 该方法无需原始 sinogram 数据即可实现直接 Patlak 重建，使其适用于常规临床实践。
• 网络预测结果与传统直接 Patlak 重建的真值高度一致，验证了该方法的准确性。