[论文解读] Machine Learning in Quantitative PET Imaging

Tonghe Wang, Yang Lei+4 more|arXiv (Cornell University)|Jan 18, 2020

Medical Imaging Techniques and Applications参考文献 71被引用 6

一句话总结

本文综述了机器学习在定量PET成像中的应用，重点聚焦于基于深度学习的PET衰减校正与低计数图像重建方法。通过在多个研究中评估多种网络架构（如生成对抗网络、U-Net和自编码器），结果表明图像质量显著提升（例如PSNR最高达46.0 dB），量化精度也得到改善，尤其在低剂量及脑部/肺部成像场景中表现突出。

ABSTRACT

This paper reviewed the machine learning-based studies for quantitative positron emission tomography (PET). Specifically, we summarized the recent developments of machine learning-based methods in PET attenuation correction and low-count PET reconstruction by listing and comparing the proposed methods, study designs and reported performances of the current published studies with brief discussion on representative studies. The contributions and challenges among the reviewed studies were summarized and highlighted in the discussion part followed by.

研究动机与目标

• 综述近期基于机器学习的方法在提升PET成像定量准确性方面的进展。
• 评估深度学习模型在利用MRI或CT数据进行PET衰减校正中的性能表现。
• 分析提升图像质量并降低噪声的低计数PET重建方法。
• 识别在不同患者群体和扫描协议间泛化能力的关键挑战。
• 突出展示机器学习在高分辨率PET、部分体积效应校正及放射组学中的新兴应用。

提出的方法

• 将计算机视觉中的深度学习架构（如U-Net、生成对抗网络、自编码器和编码器-解码器网络）适配用于PET图像重建与衰减校正。
• 在配对的PET-MR或PET-CT数据上端到端训练模型，以学习从输入图像到校正或重建后PET图像的直接映射。
• 采用 sinogram 级别和图像级别的网络设计，部分模型结合了来自MR（T1、DTI）或CT的先验解剖信息。
• 应用交叉验证和留一法测试策略，以评估模型在小型至中型数据集上的鲁棒性与泛化能力。
• 采用PSNR等指标结合视觉评估，以衡量图像质量和重建保真度。
• 探索无监督和弱监督学习技术（如CycleGAN和条件生成对抗网络），实现在无配对数据下的领域自适应。

实验结果

研究问题

• RQ1 深度学习模型在PET/MR成像中校正衰减方面与传统方法相比表现如何？
• RQ2 机器学习在低计数PET扫描协议中能在多大程度上提升图像质量和量化精度？
• RQ3 模型架构（如生成对抗网络与U-Net）对重建性能和噪声抑制有何影响？
• RQ4 这些模型在不同扫描仪、扫描协议和患者群体之间的泛化能力如何？
• RQ5 机器学习能否有效解决高分辨率PET成像中的部分体积效应？

主要发现

• 基于生成对抗网络的模型在留一法测试中，全身影像重建的PSNR达到46.0 ± 3.8 dB，表明其具有出色的噪声抑制与细节保留能力。
• 在脑部PET成像中，采用多模态输入（PET + T1、DTI）的模型在轻度认知障碍病例中达到25.19 ± 1.98 dB的PSNR，优于单模态方法。
• 基于U-Net和自编码器的方法表现良好，五折交叉验证下在肺部PET重建中PSNR范围为24至30 dB。
• 基于CycleGAN的方法在留一法测试中达到39.4 ± 3.1 dB的PSNR，在保留测试中达到38.1 ± 3.4 dB，表明其在无配对数据设置下的鲁棒性。
• 所有模型的性能高度依赖于训练数据的多样性；在数据量有限或代表性不足的数据集上训练的模型，在不同中心或扫描仪类型间泛化能力下降。
• 尽管可行性研究结果表现强劲，但这些方法的临床实用性仍受限于样本量较小以及缺乏在多样化成像协议下的外部验证。