Whole-body PET image denoising for reduced acquisition time

要約

この論文では、取得時間が短縮された状態で陽電子放出断層撮影法 (PET) 画像のノイズを除去するための、教師ありおよび教師なしの深層学習モデルのパフォーマンスを評価します。
私たちの実験では、212 の研究 (56908 画像) を考慮し、2D (RMSE、SSIM) および 3D (対象領域の SUVpeak および SUVmax エラー) メトリックを使用してモデルを評価します。
以前の研究とは対照的に、2D PET 画像の再構成において、教師ありモデル (ResNet、Unet、SwinIR) は教師なしモデル (ResNet バックボーンとさまざまな補助損失を備えた pix2pix GAN および CycleGAN) よりも優れていることが示されました。
さらに、教師あり CycleGAN のハイブリッド アプローチは、ノイズ除去された画像の SUVmax 推定で最良の結果を示し、ノイズ除去された画像の SUVmax 推定誤差は PET 再現性誤差に匹敵します。

要約(オリジナル)

This paper evaluates the performance of supervised and unsupervised deep learning models for denoising positron emission tomography (PET) images in the presence of reduced acquisition times. Our experiments consider 212 studies (56908 images), and evaluate the models using 2D (RMSE, SSIM) and 3D (SUVpeak and SUVmax error for the regions of interest) metrics. It was shown that, in contrast to previous studies, supervised models (ResNet, Unet, SwinIR) outperform unsupervised models (pix2pix GAN and CycleGAN with ResNet backbone and various auxiliary losses) in the reconstruction of 2D PET images. Moreover, a hybrid approach of supervised CycleGAN shows the best results in SUVmax estimation for denoised images, and the SUVmax estimation error for denoised images is comparable with the PET reproducibility error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google