Cross-domain Iterative Network for Simultaneous Denoising, Limited-angle Reconstruction, and Attenuation Correction of Low-dose Cardiac SPECT

要約

単一光子放出コンピュータ断層撮影法 (SPECT) は、虚血性心疾患の診断に広く応用されています。
低線量 (LD) SPECT は放射線被曝を最小限に抑えることを目的としていますが、画像ノイズの増加につながります。
角度制限 (LA) SPECT により、スキャンの高速化とハードウェア コストの削減が可能になりますが、再構成精度は低下します。
さらに、コンピューター断層撮影 (CT) 由来の減衰マップ ($\mu$-maps) は、SPECT 減衰補正 (AC) に一般的に使用されますが、余分な放射線被ばくや SPECT-CT の位置ずれの原因となります。
さらに、市場にある SPECT スキャナーの大部分は、ハイブリッド SPECT/CT スキャナーではありません。
これらの制限に個別に対処するためにさまざまな深層学習手法が導入されていますが、これらの課題に同時に対処するソリューションは依然として十分に検討されておらず、困難なままです。
この目的を達成するために、心臓 SPECT におけるノイズ除去、LA 再構成、および CT フリー AC を同時に行うためのクロスドメイン反復ネットワーク (CDI-Net) を提案します。
CDI-Net では、ペアになった投影ドメイン ネットワークと画像ドメイン ネットワークがエンドツーエンドで接続され、ドメインと反復全体にわたって放射情報と解剖学的情報を融合します。
Adaptive Weight Recalibrators (AWR) は、マルチチャネル入力機能を調整して予測精度を高めます。
臨床データを使用した私たちの実験では、CDI-Net が各タスクに個別に対処する既存のアプローチと比較して、より正確な $\mu$-map、投影、および再構成を生成することが示されました。
アブレーション研究では、AWR だけでなく、クロスドメインおよびクロスイテレーション接続が再構成パフォーマンスの向上に重要であることが実証されました。

要約(オリジナル)

Single-Photon Emission Computed Tomography (SPECT) is widely applied for the diagnosis of ischemic heart diseases. Low-dose (LD) SPECT aims to minimize radiation exposure but leads to increased image noise. Limited-angle (LA) SPECT enables faster scanning and reduced hardware costs but results in lower reconstruction accuracy. Additionally, computed tomography (CT)-derived attenuation maps ($\mu$-maps) are commonly used for SPECT attenuation correction (AC), but it will cause extra radiation exposure and SPECT-CT misalignments. In addition, the majority of SPECT scanners in the market are not hybrid SPECT/CT scanners. Although various deep learning methods have been introduced to separately address these limitations, the solution for simultaneously addressing these challenges still remains highly under-explored and challenging. To this end, we propose a Cross-domain Iterative Network (CDI-Net) for simultaneous denoising, LA reconstruction, and CT-free AC in cardiac SPECT. In CDI-Net, paired projection- and image-domain networks are end-to-end connected to fuse the emission and anatomical information across domains and iterations. Adaptive Weight Recalibrators (AWR) adjust the multi-channel input features to enhance prediction accuracy. Our experiments using clinical data showed that CDI-Net produced more accurate $\mu$-maps, projections, and reconstructions compared to existing approaches that addressed each task separately. Ablation studies demonstrated the significance of cross-domain and cross-iteration connections, as well as AWR, in improving the reconstruction performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google