Fully 3D Implementation of the End-to-end Deep Image Prior-based PET Image Reconstruction Using Block Iterative Algorithm

要約

ディープ イメージ プライア (DIP) は、事前のトレーニング データセットを必要としない教師なし陽電子放出断層撮影 (PET) 画像再構成により、最近注目を集めています。
この論文では、順投影モデルを損失関数に組み込んだ、エンドツーエンドの DIP ベースの完全 3D PET 画像再構成法を実装する最初の試みを紹介します。
グラフィックス プロセッシング ユニットのメモリ制限のために実行できなかった実用的な完全 3D PET 画像再構成を実装するために、DIP 最適化をブロック反復に変更し、ブロック サイノグラムの順序付けられたシーケンスを順次学習します。
さらに、相対差分ペナルティ (RDP) 項が損失関数に追加され、定量的な PET 画像の精度が向上しました。
ヒト脳の [$^{18}$F]FDG PET データとサル脳の前臨床研究 [$^{18}$F]FDG PET データを用いたモンテカルロ シミュレーションを使用して、提案した方法を評価しました。
提案された方法は、最尤期待値最大化 (EM)、RDP を使用した最大事後 EM、およびハイブリッド DIP ベースの PET 再構成方法と比較されました。
シミュレーション結果は、提案された方法が統計的ノイズを減らすことによって PET 画像の品質を改善し、他のアルゴリズムと比較して脳構造と挿入された腫瘍のコントラストを維持することを示しました。
前臨床実験では、提案された方法により、より微細な構造とより優れたコントラスト回復が得られました。
これは、提案された方法が事前のトレーニングデータセットなしで高品質の画像を生成できることを示しています。
したがって、提案された方法は、エンド ツー エンドの DIP ベースの完全 3D PET 画像再構成の直接的かつ実用的な実装を可能にする重要な技術です。

要約(オリジナル)

Deep image prior (DIP) has recently attracted attention owing to its unsupervised positron emission tomography (PET) image reconstruction, which does not require any prior training dataset. In this paper, we present the first attempt to implement an end-to-end DIP-based fully 3D PET image reconstruction method that incorporates a forward-projection model into a loss function. To implement a practical fully 3D PET image reconstruction, which could not be performed due to a graphics processing unit memory limitation, we modify the DIP optimization to block-iteration and sequentially learn an ordered sequence of block sinograms. Furthermore, the relative difference penalty (RDP) term was added to the loss function to enhance the quantitative PET image accuracy. We evaluated our proposed method using Monte Carlo simulation with [$^{18}$F]FDG PET data of a human brain and a preclinical study on monkey brain [$^{18}$F]FDG PET data. The proposed method was compared with the maximum-likelihood expectation maximization (EM), maximum-a-posterior EM with RDP, and hybrid DIP-based PET reconstruction methods. The simulation results showed that the proposed method improved the PET image quality by reducing statistical noise and preserved a contrast of brain structures and inserted tumor compared with other algorithms. In the preclinical experiment, finer structures and better contrast recovery were obtained by the proposed method. This indicated that the proposed method can produce high-quality images without a prior training dataset. Thus, the proposed method is a key enabling technology for the straightforward and practical implementation of end-to-end DIP-based fully 3D PET image reconstruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google