[论文解读] Low dose SPECT image denoising using a generative adversarial network

Qi Zhang, Jingzhang Sun+1 more|arXiv (Cornell University)|Jul 27, 2019

Medical Imaging Techniques and Applications参考文献 9被引用 6

一句话总结

本文提出一种用于低剂量SPECT图像去噪的条件生成对抗网络（cGAN），以高噪声SPECT图像作为输入，低噪声图像作为真实目标，训练生成器以生成诊断质量的图像。该方法将归一化标准差（NSD）的噪声降低了43%，去噪后NSD为0.0693，相较于原始高噪声图像的NSD 0.1213，已接近低噪声参考图像的质量（NSD = 0.0502）。

ABSTRACT

The image noise level and resolution of SPECT images are relatively poor attributed to the limited number of detected counts and various physical degradation factors during acquisitions. This study aims to apply and evaluate the use of generative adversarial network (GAN) method in static SPECT image denoising. A population of 4D extended cardiac-torso (XCAT) phantoms were used to simulate 10 male and female patients with different organ sizes and activity uptakes. An analytical projector was applied to simulate 120 projections from right anterior oblique to left posterior oblique positions with two noise levels. The first noise level was based on a standard clinical count rate of 987 MBq injection and 16 min acquisition (low noise) while the other was 1/8 of the previous count rate (high noise). The high noise and low noise SPECT reconstructed images of 9 patients, i.e., 1026 images (9*114 axial slices) respectively, were paired for training. High noise SPECT images of 1 patient were tested using the trained GAN. The noise level is substantially reduced in high noise SPECT reconstructed images after using the GAN. Our method has the potential to decrease the noise level of SPECT images, which could be traded for a reduced injection dose or acquisition time while still maintaining the similar image quality as compared to the original low noise images for clinical diagnosis.

研究动机与目标

• 为解决低剂量SPECT图像中高噪声和低分辨率的问题，这些问题会损害病灶检测和临床诊断。
• 探索生成对抗网络（GAN）在SPECT图像去噪中的应用，该领域相较于CT或MRI仍处于研究不足状态。
• 评估条件GAN是否能有效从低剂量、高噪声采集中重建高质量SPECT图像。
• 通过从噪声数据生成具有诊断等效性的图像，实现临床SPECT中潜在的剂量降低。
• 使用具有不同解剖和摄取特征的现实XCAT体模，在模拟患者数据上验证该方法。

提出的方法

• 使用10个模拟XCAT体模中的9个训练条件生成对抗网络（cGAN），以高噪声SPECT图像作为输入，对应低噪声图像作为真实目标。
• 生成器网络接收高噪声SPECT图像并输出去噪结果，判别器则用于区分生成图像与真实低噪声图像。
• 模型使用Adam优化器，学习率为0.00001，在GTX 1070 GPU上训练800个周期，使用成对的高噪声与低噪声图像集。
• 图像重建基于120个投影的4D XCAT体模，采用OS-EM算法，迭代5次，分6个子集，包含真实衰减和准直器响应。
• 通过在82像素的2D肝脏ROI上计算归一化标准差（NSD），量化噪声水平，以比较去噪前后图像的噪声差异。
• 训练数据包含1026对图像（9名患者×114个轴向断层），其中一名患者保留用于测试模型的泛化能力。

实验结果

研究问题

• RQ1 条件GAN能否在保持诊断图像质量的前提下，有效降低低剂量SPECT图像的噪声？
• RQ2 GAN生成的图像在噪声降低和结构保真度方面，与低噪声参考图像的匹配程度如何？
• RQ3 cGAN方法是否能在不损害图像质量的前提下，实现注射放射性活度或采集时间的减少？
• RQ4 与传统去噪技术相比，基于GAN的方法在噪声抑制和伪影控制方面的性能如何？
• RQ5 该模型能否泛化到未见过的患者解剖结构和摄取模式，如在训练中未使用的独立体模上进行测试？

主要发现

• 所提出的cGAN将高噪声SPECT图像的归一化标准差（NSD）从0.1213降低至去噪后的0.0693，噪声降低43%。
• 去噪后图像的NSD为0.0693，非常接近原始低噪声参考图像的NSD（0.0502），表明重建质量很高。
• 通过对比图像的视觉确认，模型成功保留了解剖结构和图像对比度，显著抑制了噪声。
• 训练过程在800个周期内稳定收敛，单张GPU上的总训练时间为2.7小时。
• 该方法在之前未见过的患者体模上表现出泛化能力，表明其具备临床部署潜力。
• 结果表明，cGAN方法可通过从低计数数据中生成具有诊断可接受性的图像，支持SPECT成像中的剂量降低。