PET image denoising based on denoising diffusion probabilistic models

要約

さまざまな物理的劣化要因と受け取ったカウントの制限により、PET 画像の品質はさらに改善する必要があります。
ノイズ除去拡散確率モデル (DDPM) は分布学習ベースのモデルであり、反復改良に基づいて正規分布を特定のデータ分布に変換しようとします。
この作業では、PET 画像ノイズ除去のためのさまざまな DDPM ベースの方法を提案し、評価しました。
DDPM フレームワークの下で、PET 画像のノイズ除去を実行する 1 つの方法は、ネットワーク入力として PET 画像および/または前の画像を提供することです。
もう 1 つの方法は、改良ステップに含まれる PET 画像を入力として前の画像を提供することです。これは、さまざまなノイズ レベルのシナリオに適合します。
120 の 18F-FDG データセットと 140 の 18F-MK-6240 データセットを利用して、提案された DDPM ベースの方法を評価しました。
定量化は、PET 情報を含む DDPM ベースのフレームワークが、非局所平均および Unet ベースのノイズ除去方法よりも優れた結果を生成できることを示しています。
モデルに MR プライオリティを追加すると、パフォーマンスが向上し、画像のノイズ除去中の不確実性がさらに軽減されます。
PET 情報を無視して MR のみに依存すると、大きなバイアスが生じる可能性があります。
地域および表面の定量化は、推論中にデータの一貫性制約として PET 画像を埋め込みながら、ネットワーク入力として事前に MR を使用すると、最高のパフォーマンスを達成できることを示しています。
要約すると、DDPM ベースの PET 画像ノイズ除去は柔軟なフレームワークであり、以前の情報を効率的に利用して、非局所平均および Unet ベースのノイズ除去方法よりも優れたパフォーマンスを実現できます。

要約(オリジナル)

Due to various physical degradation factors and limited counts received, PET image quality needs further improvements. The denoising diffusion probabilistic models (DDPM) are distribution learning-based models, which try to transform a normal distribution into a specific data distribution based on iterative refinements. In this work, we proposed and evaluated different DDPM-based methods for PET image denoising. Under the DDPM framework, one way to perform PET image denoising is to provide the PET image and/or the prior image as the network input. Another way is to supply the prior image as the input with the PET image included in the refinement steps, which can fit for scenarios of different noise levels. 120 18F-FDG datasets and 140 18F-MK-6240 datasets were utilized to evaluate the proposed DDPM-based methods. Quantification show that the DDPM-based frameworks with PET information included can generate better results than the nonlocal mean and Unet-based denoising methods. Adding additional MR prior in the model can help achieve better performance and further reduce the uncertainty during image denoising. Solely relying on MR prior while ignoring the PET information can result in large bias. Regional and surface quantification shows that employing MR prior as the network input while embedding PET image as a data-consistency constraint during inference can achieve the best performance. In summary, DDPM-based PET image denoising is a flexible framework, which can efficiently utilize prior information and achieve better performance than the nonlocal mean and Unet-based denoising methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google