[论文解读] Iterative PET Image Reconstruction Using Convolutional Neural Network Representation

Kuang Gong, Jiahui Guan+5 more|arXiv (Cornell University)|Oct 9, 2017

Medical Imaging Techniques and Applications参考文献 26被引用 34

一句话总结

该论文提出了一种新颖的迭代式PET图像重建框架，将深度残差U-Net卷积神经网络（CNN）作为数据一致性的图像先验，嵌入到交替方向乘子法（ADMM）优化方案中。与后处理去噪不同，该CNN代表了有效PET图像的可行集，相比传统惩罚似然法和CNN去噪方法，尤其在低计数情况下，能实现更优的病灶对比度恢复和噪声抑制。

ABSTRACT

PET image reconstruction is challenging due to the ill-poseness of the inverse problem and limited number of detected photons. Recently deep neural networks have been widely and successfully used in computer vision tasks and attracted growing interests in medical imaging. In this work, we trained a deep residual convolutional neural network to improve PET image quality by using the existing inter-patient information. An innovative feature of the proposed method is that we embed the neural network in the iterative reconstruction framework for image representation, rather than using it as a post-processing tool. We formulate the objective function as a constraint optimization problem and solve it using the alternating direction method of multipliers (ADMM) algorithm. Both simulation data and hybrid real data are used to evaluate the proposed method. Quantification results show that our proposed iterative neural network method can outperform the neural network denoising and conventional penalized maximum likelihood methods.

研究动机与目标

• 通过利用患者间解剖结构和图像外观先验，提升低计数PET图像重建质量。
• 克服现有方法依赖同患者先验数据或对噪声和伪影敏感的局限性。
• 开发一种将深度CNN直接整合到迭代重建过程中的框架，而非作为后处理步骤。
• 通过模拟和真实混合PET数据，证明在对比度恢复和噪声抑制方面性能更优。
• 实现数据驱动的、通用的图像先验，相比基于核的方法，能更灵活地整合多源信息（如时间、解剖）

提出的方法

• 训练一个深度残差U-Net CNN，将低计数PET重建图像映射到高计数参考图像，学习有效PET图像结构的先验。
• 将CNN嵌入ADMM优化框架中，以求解约束优化问题，其中CNN定义了图像的可行集。
• 目标函数结合数据保真度（泊松似然）和基于CNN的先验，表述为一个约束优化问题。
• 通过ADMM迭代求解子问题，其中通过在分裂变量更新步骤中引入非线性约束来强制执行CNN先验。
• ADMM算法的初始估计通过30次期望最大化（EM）算法迭代获得，以提高收敛稳定性。
• 通过使用训练好的CNN作为可微分的图像表示，避免显式惩罚项，从而实现端到端优化。

实验结果

研究问题

• RQ1 在跨患者数据上训练的深度CNN能否作为迭代PET重建中有效的、数据驱动的图像先验？
• RQ2 将CNN直接嵌入迭代重建框架与作为后处理去噪步骤相比，性能如何？
• RQ3 所提出的方法能否在对比度恢复和噪声抑制方面优于传统惩罚似然法和CNN去噪方法？
• RQ4 该方法在非凸、非线性子问题的初始化和优化挑战下是否具有鲁棒性？
• RQ5 CNN先验在跨患者泛化能力方面是否优于传统先验，并能更好地保留小的解剖结构？

主要发现

• 在真实混合数据上，所提出的迭代CNN方法相比高斯滤波，标准差（噪声）降低了约两倍。
• 在模拟XCAT数据中，迭代CNN方法在对比度恢复与噪声权衡方面优于CNN去噪和惩罚似然重建，尤其对小病灶表现更优。
• 与CNN去噪相比，该方法能更好地保留病灶摄取，后者往往抑制小特征。
• 该方法在脊柱区域产生更清晰的图像细节，并减少了惩罚重建中常见的卡通化伪影。
• 基于EM的初始化显著提升了收敛性和最终图像质量，而均匀初始化则导致较差结果。
• 与基于核的方法相比，基于CNN的先验在泛化能力和特征保留方面表现更优，尤其在整合多源先验信息时。