Generative-Model-Based Fully 3D PET Image Reconstruction by Conditional Diffusion Sampling

要約

スコアベース生成モデル (SGM) は最近、シミュレートされた陽電子放射断層撮影 (PET) データセットでの画像再構成に関して有望な結果を示しました。
この研究では、SGM を使用した 3D 画像再構成のための実用的な方法論を開発および実装し、（私たちの知る限りでは）初めての SGM ベースの実際の完全 3D PET データの再構成を実行しました。
フルカウントの参照脳画像で SGM をトレーニングし、非常に低いカウント (低線量または短時間のスキャンをシミュレートするために元の 1%) で SGM ベースの再構成を可能にする方法論を拡張します。
次に、1% カウント データの複数の独立した実現に対して再構成を実行し、メソッドのバイアスと分散特性を分析できるようにします。
生成アルゴリズムの学習された事後分布からサンプリングして、再構成のための不確実性画像を計算します。
実際のフルおよびローカウント PET データでこの手法のパフォーマンスを評価し、従来の OSEM および MAP-EM ベースラインと比較します。これにより、SGM ベースのローカウント再構成がフル線量再構成とより厳密に、バイアス分散トレードで一致することが示されます。
-オフの比較では、SGM で再構成された画像は既存のベースラインよりも分散が低くなります。
今後の研究では、データ調整が SGM の事後分布やさまざまなトレーサーでのアルゴリズムのパフォーマンスにどのような影響を与えるかなど、他の調査手段を用いて教師あり深層学習手法と比較する予定です。

要約(オリジナル)

Score-based generative models (SGMs) have recently shown promising results for image reconstruction on simulated positron emission tomography (PET) datasets. In this work we have developed and implemented practical methodology for 3D image reconstruction with SGMs, and perform (to our knowledge) the first SGM-based reconstruction of real fully 3D PET data. We train an SGM on full-count reference brain images, and extend methodology to allow SGM-based reconstructions at very low counts (1% of original, to simulate low-dose or short-duration scanning). We then perform reconstructions for multiple independent realisations of 1% count data, allowing us to analyse the bias and variance characteristics of the method. We sample from the learned posterior distribution of the generative algorithm to calculate uncertainty images for our reconstructions. We evaluate the method’s performance on real full- and low-count PET data and compare with conventional OSEM and MAP-EM baselines, showing that our SGM-based low-count reconstructions match full-dose reconstructions more closely and in a bias-variance trade-off comparison, our SGM-reconstructed images have lower variance than existing baselines. Future work will compare to supervised deep-learned methods, with other avenues for investigation including how data conditioning affects the SGM’s posterior distribution and the algorithm’s performance with different tracers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google