DULDA: Dual-domain Unsupervised Learned Descent Algorithm for PET image reconstruction

要約

ディープラーニングに基づく PET 画像再構成法は、最近有望な結果を達成しています。
ただし、これらの方法のほとんどは、高品質のトレーニング ラベルの可用性に大きく依存する教師あり学習パラダイムに従います。
特に、長いスキャン時間が必要であり、PET スキャンに関連する高い放射線被ばくにより、このラベルを取得することは現実的ではありません。
この論文では、画像ラベルを必要とせずにサイノグラムから高品質のPET画像を再構築する、学習したまともなアルゴリズムに基づくデュアルドメイン教師なしPET画像再構築法を提案します。
具体的には、PET 画像再構成問題の学習可能な l2,1 ノルムを使用して近位勾配法を展開します。
トレーニングは教師なしで行われ、ディープ イメージ プライアに基づく測定ドメイン損失と、回転等分散プロパティに基づくイメージ ドメイン損失が使用されます。
実験結果は、最尤期待値最大化 (MLEM)、全変動正則化 EM (EM-TV)、および深層画像事前ベースの方法 (DIP) と比較して、提案された方法の優れたパフォーマンスを示しています。

要約(オリジナル)

Deep learning based PET image reconstruction methods have achieved promising results recently. However, most of these methods follow a supervised learning paradigm, which rely heavily on the availability of high-quality training labels. In particular, the long scanning time required and high radiation exposure associated with PET scans make obtaining this labels impractical. In this paper, we propose a dual-domain unsupervised PET image reconstruction method based on learned decent algorithm, which reconstructs high-quality PET images from sinograms without the need for image labels. Specifically, we unroll the proximal gradient method with a learnable l2,1 norm for PET image reconstruction problem. The training is unsupervised, using measurement domain loss based on deep image prior as well as image domain loss based on rotation equivariance property. The experimental results domonstrate the superior performance of proposed method compared with maximum likelihood expectation maximazation (MLEM), total-variation regularized EM (EM-TV) and deep image prior based method (DIP).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google