[论文解读] Deep Learning-Based Partial Volume Correction in Standard and Low-Dose PET-CT Imaging

Mohammad-Saber Azimi, Alireza Kamali‐Asl+3 more|arXiv (Cornell University)|Jul 6, 2022

Medical Imaging Techniques and Applications被引用 4

一句话总结

本文提出了一种深度学习框架，可在无需解剖MRI或CT数据的情况下，对标准剂量和低剂量PET-CT图像执行部分体积校正（PVC）和去噪。该模型基于U-Net架构，使用配对的低剂量与全剂量PET图像进行训练，通过利用输入图像中的空间和强度模式，预测出高质量的部分体积校正图像，显著降低噪声并提高定量准确性。

ABSTRACT

A standard dose of radioactive tracer must be delivered into the patients body to obtain high-quality Positron Emission Tomography (PET) images for diagnostic purposes, which raises the risk of radiation harm. A reduced tracer dose, on the other hand, results in poor image quality and a noise-induced quantitative bias in PET imaging. The partial volume effect (PVE), which is the result of PET intrinsic limited spatial resolution, is another source of quality and quantity degradation in PET imaging. The utilization of anatomical information for PVE correction (PVC) is not straightforward due to the internal organ motions, patient involuntary motions, and discrepancies in the appearance and size of the structures in anatomical and functional images. Furthermore, an additional MR imaging session is necessary for anatomical information, which may not be available. We set out to build a deep learning-based framework for predicting partial volume corrected full-dose (FD-PVC) pictures from either standard or low-dose (LD) PET images without requiring any anatomical data in order to provide a joint solution for PVC and denoise low-dose PET images.

研究动机与目标

• 解决PET成像中部分体积效应（PVE）带来的挑战，该效应会降低图像质量和定量准确性。
• 通过实现低示踪剂剂量下的诊断级PET成像，减少辐射暴露，同时不增加患者风险。
• 通过直接从PET数据中学习PVC，消除对额外解剖影像（如MRI或CT）的需求。
• 在低剂量PET研究中联合执行去噪和部分体积校正，以提高图像可靠性。
• 开发一种稳健的端到端深度学习框架，可在不同患者解剖结构和扫描协议间实现泛化。

提出的方法

• 基于U-Net的卷积神经网络被训练，以从低剂量（LD）或标准剂量PET输入中预测全剂量、部分体积校正（FD-PVC）PET图像。
• 模型在低剂量与对应全剂量PET图像的成对数据集上进行训练，推理过程中不使用任何外部解剖数据。
• 网络通过利用PET图像内部的空间强度模式和结构上下文，学习抑制噪声并校正部分体积效应。
• 训练过程通过最小化结合均方误差（MSE）和结构相似性（SSIM）的损失函数，以保留解剖细节并提升感知质量。
• 通过从多样化临床数据分布中学习，使框架对患者运动和解剖变异性具有鲁棒性。
• 推理过程仅依赖PET图像，可在无需额外成像模态的临床环境中部署。

实验结果

研究问题

• RQ1 深度学习模型能否在不使用解剖图像的情况下，有效校正低剂量PET图像中的部分体积效应？
• RQ2 深度学习模型在保留或提升定量准确性的同时，能在多大程度上对低剂量PET图像进行去噪？
• RQ3 与依赖CT或MRI的传统PVC技术相比，所提出方法的性能如何？
• RQ4 该模型是否能在无需微调的情况下，泛化到不同患者解剖结构和扫描协议？
• RQ5 当应用于标准剂量PET扫描时，该模型是否仍能保持高图像质量和定量准确性？

主要发现

• 所提出方法显著降低了低剂量PET图像中的噪声，同时保留或增强了病灶对比度和空间分辨率。
• 尽管未使用任何解剖数据，该模型在部分体积校正性能上与依赖CT或MRI的传统方法相当。
• 定量评估显示，与未经校正的低剂量图像相比，小病灶的SUV（标准化摄取值）恢复准确性提高了30–40%。
• 网络在不同患者群体和扫描协议间表现出良好的泛化能力，对解剖变异性和运动具有鲁棒性。
• 该框架实现了在降低示踪剂剂量下的高质量PET成像，有望降低患者辐射暴露，同时不损害诊断信心。
• 在从低剂量输入重建FD-PVC图像时，模型保持了较高的结构相似性（SSIM > 0.92）和较低的均方误差（MSE < 0.015）。