[论文解读] FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network

William Whiteley, Vladimir Panin+4 more|arXiv (Cornell University)|Feb 11, 2020

Medical Imaging Techniques and Applications参考文献 34被引用 8

一句话总结

FastPET 提出了一种轻量级的3D卷积神经网络，可直接从基于列表模式PET数据通过最可能湮灭位置直方图法生成的 histo-images 重建近实时的PET图像，相比 OSEM+PSF 实现了67倍的加速，同时在低剂量和多示踪剂条件下仍保持高图像质量与低噪声水平。

ABSTRACT

Direct reconstruction of positron emission tomography (PET) data using deep neural networks is a growing field of research. Initial results are promising, but often the networks are complex, memory utilization inefficient, produce relatively small 2D image slices (e.g., 128x128), and low count rate reconstructions are of varying quality. This paper proposes FastPET, a novel direct reconstruction convolutional neural network that is architecturally simple, memory space efficient, works for non-trivial 3D image volumes and is capable of processing a wide spectrum of PET data including low-dose and multi-tracer applications. FastPET uniquely operates on a histo-image (i.e., image-space) representation of the raw data enabling it to reconstruct 3D image volumes 67x faster than Ordered subsets Expectation Maximization (OSEM). We detail the FastPET method trained on whole-body and low-dose whole-body data sets and explore qualitative and quantitative aspects of reconstructed images from clinical and phantom studies. Additionally, we explore the application of FastPET on a neurology data set containing multiple different tracers. The results show that not only are the reconstructions very fast, but the images are high quality and lower noise than iterative reconstructions.

研究动机与目标

• 开发一种快速、内存高效的深度学习方法，实现对3D PET图像的直接重建，绕过迭代重建的性能瓶颈。
• 解决现有深度学习PET重建模型计算效率低下和内存占用过高的问题。
• 为动态、门控及介入式PET应用实现实时或近实时重建。
• 在无需微调的情况下，证明方法在多种数据类型（包括低剂量全身扫描和多示踪剂神经科扫描）中的泛化能力。
• 探索使用 histo-images 作为数据表示形式的可行性，以保留空间和时间相关性，从而提升网络性能。

提出的方法

• 原始的列表模式PET数据经由最可能湮灭位置（MLAP）直方图器处理，生成3D histo-images，该图像表示了带有飞行时间（TOF）信息的湮灭事件空间分布。
• 将 histo-images 输入至一个类似3D U-Net的卷积神经网络，并结合衰减图，输出定量PET图像。
• 采用监督方式训练网络，以 OSEM+PSF 重建结果作为真实标签，实现重建映射的端到端学习。
• 应用迁移学习，仅通过少量微调即可将单个预训练网络适配至新任务，如低剂量成像或脑部特异性多示踪剂研究。
• 利用 histo-images 中的局部相关性与降噪特性，提升网络的泛化能力与计算效率。
• 在网络内部自适应地应用归一化，以处理不同输入与输出数据范围，避免任意缩放，同时保持定量准确性。

实验结果

研究问题

• RQ1 轻量级3D卷积神经网络能否在无需迭代优化的情况下，直接从 histo-images 实现近实时PET重建？
• RQ2 在多种临床数据中，FastPET 相较于传统 OSEM+PSF 重建，在图像质量、噪声抑制与结构保持方面表现如何？
• RQ3 单一网络在低剂量全身扫描与多示踪剂神经科研究等不同成像场景中的泛化能力达到何种程度？
• RQ4 网络架构与输入表示（histo-images）对重建速度与内存效率有何影响？
• RQ5 缺乏显式归一化对网络学习定量准确性能力的影响如何？其对偏差与泛化能力有何影响？

主要发现

• FastPET 的3D PET图像重建速度比 OSEM+PSF 快67倍，实现了适用于动态与介入式成像的近实时重建。
• 重建图像的噪声水平低于 OSEM+PSF，信噪比更高，尽管在组织边界处存在轻微的高频细节损失。
• 在仅25%计数的低剂量数据上微调后的单一网络，性能几乎与全计数网络一致，表明其对低剂量条件具有强大的泛化能力。
• FastPET-Brain 变体在无需重新训练的情况下成功泛化至多种神经科示踪剂，表明对示踪剂特异性差异具有鲁棒性。
• 网络在未显式归一化的情况下仍能学习生成定量准确的图像，通过内部缩放自适应处理不同输入与输出数据范围。
• 尽管性能优异，该方法在部分图像中表现出非系统性偏差，可能源于缺乏最优数据归一化，提示未来工作需改进归一化方案。