Likelihood-Scheduled Score-Based Generative Modeling for Fully 3D PET Image Reconstruction

要約

事前トレーニング済みのスコアベース生成モデル (SGM) を使用した医療画像再構成には、さまざまなスキャナ設定に対する回復力の向上や高度な画像分布モデリングなど、他の既存の最先端の深層学習再構成手法に比べて利点があります。
最近、SGM ベースの再構成が模擬陽電子放射断層撮影 (PET) データセットに適用され、分布外病変のコントラスト回復が最先端のものと比べて向上していることが示されています。
しかし、PET データから SGM ベースで再構成する既存の方法には、再構成の遅さ、負担のかかるハイパーパラメータ調整、スライス不一致の影響 (3D の場合) という問題があります。
この研究では、SGM の逆拡散プロセスの尤度を最尤期待値最大化アルゴリズムの現在の反復に一致させることで、再構成を高速化し、重要なハイパーパラメータの数を減らす、完全 3D 再構成の実用的な方法論を提案します。
シミュレートされた $[^{18}$F]DPA-714 データセットからの低カウント再構成の例を使用して、私たちの方法論が既存の最先端の SGM ベース PET の NRMSE および SSIM と同等または改善できることを示します。
再構築時間とハイパーパラメータ調整の必要性を削減しながら再構築します。
私たちは、最先端の教師付き再構成アルゴリズムと従来の再構成アルゴリズムに対して私たちの方法論を評価します。
最後に、実際の 3D PET データ、具体的には $[^{18}$F]DPA-714 データに対する SGM ベースの再構成の初めての実装を実証します。そこでは、垂直方向の事前学習済み SGM を統合して、スライスの不一致の問題を排除します。

要約(オリジナル)

Medical image reconstruction with pre-trained score-based generative models (SGMs) has advantages over other existing state-of-the-art deep-learned reconstruction methods, including improved resilience to different scanner setups and advanced image distribution modeling. SGM-based reconstruction has recently been applied to simulated positron emission tomography (PET) datasets, showing improved contrast recovery for out-of-distribution lesions relative to the state-of-the-art. However, existing methods for SGM-based reconstruction from PET data suffer from slow reconstruction, burdensome hyperparameter tuning and slice inconsistency effects (in 3D). In this work, we propose a practical methodology for fully 3D reconstruction that accelerates reconstruction and reduces the number of critical hyperparameters by matching the likelihood of an SGM’s reverse diffusion process to a current iterate of the maximum-likelihood expectation maximization algorithm. Using the example of low-count reconstruction from simulated $[^{18}$F]DPA-714 datasets, we show our methodology can match or improve on the NRMSE and SSIM of existing state-of-the-art SGM-based PET reconstruction while reducing reconstruction time and the need for hyperparameter tuning. We evaluate our methodology against state-of-the-art supervised and conventional reconstruction algorithms. Finally, we demonstrate a first-ever implementation of SGM-based reconstruction for real 3D PET data, specifically $[^{18}$F]DPA-714 data, where we integrate perpendicular pre-trained SGMs to eliminate slice inconsistency issues.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google