[论文解读] Direct Reconstruction of Linear Parametric Images from Dynamic PET Using Nonlocal Deep Image Prior

Kuang Gong, Ciprian Catana+2 more|arXiv (Cornell University)|Jun 18, 2021

Medical Imaging Techniques and Applications被引用 5

一句话总结

该论文提出了一种无监督深度学习框架，通过非局部深度图像先验，直接从动态PET数据重建线性参数图像。通过将患者解剖先验图像作为输入，并将Patlak和相对平衡Logan动力学模型嵌入为1×1卷积层，该方法在无需高质量训练标签的情况下，提升了信噪比和图像质量，优于传统及基于核的方法，在模拟和真实数据评估中表现更优。

ABSTRACT

Direct reconstruction methods have been developed to estimate parametric images directly from the measured PET sinograms by combining the PET imaging model and tracer kinetics in an integrated framework. Due to limited counts received, signal-to-noise-ratio (SNR) and resolution of parametric images produced by direct reconstruction frameworks are still limited. Recently supervised deep learning methods have been successfully applied to medical imaging denoising/reconstruction when large number of high-quality training labels are available. For static PET imaging, high-quality training labels can be acquired by extending the scanning time. However, this is not feasible for dynamic PET imaging, where the scanning time is already long enough. In this work, we proposed an unsupervised deep learning framework for direct parametric reconstruction from dynamic PET, which was tested on the Patlak model and the relative equilibrium Logan model. The patient's anatomical prior image, which is readily available from PET/CT or PET/MR scans, was supplied as the network input to provide a manifold constraint, and also utilized to construct a kernel layer to perform non-local feature denoising. The linear kinetic model was embedded in the network structure as a 1x1 convolution layer. The training objective function was based on the PET statistical model. Evaluations based on dynamic datasets of 18F-FDG and 11C-PiB tracers show that the proposed framework can outperform the traditional and the kernel method-based direct reconstruction methods.

研究动机与目标

• 为解决动态PET参数成像中训练数据有限的问题，其中长时间扫描无法获取高质量标注数据。
• 在不依赖监督学习的情况下，提升动态PET sinogram数据生成的参数图像的信噪比和空间分辨率。
• 将线性动力学模型（Patlak和RE Logan）直接嵌入深度学习框架，实现端到端的参数图像重建。
• 通过非局部特征去噪机制结合解剖先验，提升图像质量，减少噪声同时保留结构细节。
• 开发一种计算高效、无超参数的核层，基于解剖先验，以实现有效的无监督训练。

提出的方法

• 该框架采用3D U-Net主干网络，以患者的MR或CT先验图像作为输入，为网络提供流形约束。
• 通过从解剖先验中预计算的核矩阵实现非局部操作，实现无需额外可学习参数的特征去噪。
• 将动力学模型（Patlak和RE Logan）作为1×1卷积层嵌入，用于将参数图像映射到动态sinogram预测。
• 损失函数基于PET sinogram的泊松统计模型构建，支持使用梯度下降进行端到端优化。
• 针对RE Logan模型，引入约束优化方法和新颖的分箱策略，以保持原始数据的独立同分布假设。
• 通过优化传输框架实现逐帧重建，保持计算效率。

实验结果

研究问题

• RQ1 无监督深度学习框架能否在无需高质量标注训练数据的情况下，有效从动态PET sinogram中重建参数图像？
• RQ2 通过非局部核层整合解剖先验图像，如何在直接参数化重建中提升图像质量？
• RQ3 将线性动力学模型（Patlak和RE Logan）嵌入深度神经网络，在多大程度上提升了重建精度和噪声抑制能力？
• RQ4 在偏差-噪声权衡和对比度-噪声比方面，该方法是否优于传统直接重建方法和基于核的方法？
• RQ5 该框架能否在仅使用原始sinogram数据和解剖先验的情况下，保持计算效率并实现更优的图像质量？

主要发现

• 在模拟和真实数据中，该方法在灰质和肿瘤区域均实现了最佳的偏差-噪声权衡，如图6所示。
• 在真实数据评估中，该方法在Patlak斜率图像中产生了最高的病灶对比度和最清晰的皮层结构，如图8所示。
• 对于RE Logan模型，该方法在四名受试者大多数皮层区域均实现了最高的对比度-噪声比（CNR），如图10所示。
• 非局部核层显著提升了特征去噪效果，如图4中的视觉和定量结果所验证。
• 在模拟和临床数据集中，该方法均优于EM+滤波基线、核方法及其他参考方法。
• 通过针对RE Logan模型的新型分箱和约束优化策略，该框架成功保持了PET原始数据的独立同分布假设。