Two-Phase Multi-Dose-Level PET Image Reconstruction with Dose Level Awareness

要約

放射線被ばくを最小限に抑えながら高品質の陽電子放射断層撮影法 (PET) を取得するために、対応する低線量 PET (LPET) 画像から標準線量 PET (SPET) を再構成するさまざまな方法が設計されています。
しかし、現在のほとんどの方法は、単一線量レベルのLPET画像とSPET画像の間のマッピングを学習するだけであり、臨床シナリオにおけるLPET画像の線量差は省略されています。
この論文では、複数線量レベルのLPET画像から高品質のSPET画像を再構成するために、事前トレーニングフェーズとSPET予測を含む、線量レベルを認識した新しい2フェーズの複数線量レベルPET再構成アルゴリズムを設計します。
段階。
具体的には、事前トレーニング段階は、きめの細かい識別機能と効果的な意味表現の両方を探索するために考案されています。
SPET 予測段階では、予備結果を生成する前に事前に学習した線量レベルを利用した粗い予測ネットワークと、詳細を正確に保存するための改良ネットワークが採用されています。
MICCAI 2022超低線量PETイメージングチャレンジデータセットの実験により、私たちの方法の優位性が実証されました。

要約(オリジナル)

To obtain high-quality positron emission tomography (PET) while minimizing radiation exposure, a range of methods have been designed to reconstruct standard-dose PET (SPET) from corresponding low-dose PET (LPET) images. However, most current methods merely learn the mapping between single-dose-level LPET and SPET images, but omit the dose disparity of LPET images in clinical scenarios. In this paper, to reconstruct high-quality SPET images from multi-dose-level LPET images, we design a novel two-phase multi-dose-level PET reconstruction algorithm with dose level awareness, containing a pre-training phase and a SPET prediction phase. Specifically, the pre-training phase is devised to explore both fine-grained discriminative features and effective semantic representation. The SPET prediction phase adopts a coarse prediction network utilizing pre-learned dose level prior to generate preliminary result, and a refinement network to precisely preserve the details. Experiments on MICCAI 2022 Ultra-low Dose PET Imaging Challenge Dataset have demonstrated the superiority of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google