[论文解读] Learning Personalized Representation for Inverse Problems in Medical Imaging Using Deep Neural Network

Kuang Gong, Kyung Sang Kim+5 more|arXiv (Cornell University)|Jul 4, 2018

Medical Imaging Techniques and Applications参考文献 21被引用 3

一句话总结

本文提出了一种个性化深度学习框架，用于医学影像反问题，通过将深度神经网络嵌入ADMM优化中的数据驱动正则化器，仅使用患者自身的先前影像（无需成对训练数据），实现了脑部PET图像重建与去噪。该方法在对比噪声比和结构准确性方面优于传统技术，且无需高剂量或长时间扫描的参考影像。

ABSTRACT

Recently deep neural networks have been widely and successfully applied in computer vision tasks and attracted growing interests in medical imaging. One barrier for the application of deep neural networks to medical imaging is the need of large amounts of prior training pairs, which is not always feasible in clinical practice. In this work we propose a personalized representation learning framework where no prior training pairs are needed, but only the patient's own prior images. The representation is expressed using a deep neural network with the patient's prior images as network input. We then applied this novel image representation to inverse problems in medical imaging in which the original inverse problem was formulated as a constraint optimization problem and solved using the alternating direction method of multipliers (ADMM) algorithm. Anatomically guided brain positron emission tomography (PET) image reconstruction and image denoising were employed as examples to demonstrate the effectiveness of the proposed framework. Quantification results based on simulation and real datasets show that the proposed personalized representation framework outperform other widely adopted methods.

研究动机与目标

• 为解决深度学习在医学影像中高质量训练样本对稀缺的问题，特别是在高剂量或长时间扫描存在安全或实际限制的情况下。
• 开发一种个性化表征学习框架，仅利用患者自身的先前影像作为输入，消除对外部标注数据集的需求。
• 将深度神经网络作为自适应正则化器，集成于约束优化框架中，以提升PET重建与去噪等反问题中的图像质量。
• 在临床脑部PET成像应用中展示该框架的有效性，证明其在定量与视觉性能上优于当前最先进方法。

提出的方法

• 该框架采用交替方向乘子法（ADMM）将反问题解耦为惩罚优化步骤与深度网络训练步骤。
• 采用参数量约为146万的改进3D U-Net作为神经网络架构，从患者先前影像中学习个性化图像表征。
• 网络通过患者自身先前影像端到端训练，无需配对真实标签，适用于低剂量或扫描受限的临床场景。
• ADMM框架通过优化过程中施加约束，确保数据一致性，同时深度网络作为学习正则化器，编码患者特异性解剖结构。
• 该方法应用于两项临床任务：解剖引导的脑部PET重建与全身PET去噪，使用CT影像作为先验输入。
• 优化过程在求解数据保真子问题与通过反向传播更新网络参数之间交替进行，实现联合学习与重建。

实验结果

研究问题

• RQ1 深度神经网络能否在无需成对训练数据的情况下，从患者自身先前影像中学习个性化图像表征？
• RQ2 将深度网络作为学习正则化器，如何提升低剂量或噪声PET成像中的图像重建与去噪性能？
• RQ3 所提出的基于ADMM的框架是否在保持数据一致性的同时，实现网络的有效端到端训练？
• RQ4 在PET图像恢复中，该方法在定量上与高斯滤波、非局部均值及基于核的方法相比表现如何？
• RQ5 该框架是否能在不同临床场景中泛化，包括脑部与全身PET成像，并在图像质量上保持一致的提升？

主要发现

• 在10例患者全身PET去噪任务中，所提方法的平均对比噪声比（CNR）达到49.29，显著优于高斯方法（41.11）与非局部均值方法（45.18）。
• 在脑部PET重建中，与基于核的方法相比，所提方法显示出更清晰的皮层结构与更低的白质噪声，同时提升了病灶对比度并减少了伪影。
• CR-STD曲线表明，所提方法在对比度与标准差之间实现了最佳权衡，体现出更优的图像质量与噪声抑制能力。
• 在定性与定量评估中，该方法均优于当前最先进技术，尤其在小结构保留与病灶可见性增强方面表现突出。
• 该框架在真实临床数据集上表现出稳健性能，在多个患者研究与成像协议中均实现一致的图像质量提升。
• 尽管缺乏理论收敛性保证，但实际优化轨迹显示方法呈现单调收敛趋势。