UniPET: ein universelles Netzwerk zur hochwertigen Entrauschung von PET-Bildern bei verschiedenen Dosisreduktionsfaktoren

Zusammenfassung

Die meisten bestehenden tiefenlernbasierten Methoden zur Rauschunterdrückung in PET-Bildern gehen von einem festen und bekannten Dosisreduktionsfaktor (DRF) für Niedrigdosis-PET-Bilder aus. Diese Methoden weisen jedoch eine erhebliche Leistungsverschlechterung auf, wenn der DRF in praktischen Anwendungen von dem angenommenen Wert abweicht. Um die Herausforderung durch variierende DRFs zu bewältigen, konzentrieren sich einige vorbereitende Studien auf die Aufgabe der universellen PET-Bild-Entrauschung, mit dem Ziel, ein universelles Modell über Niedrigdosisdaten hinweg über verschiedene DRFs zu trainieren. Dennoch haben diese einfachen universellen Modelle oft Schwierigkeiten mit nicht übereinstimmenden Stilen, die in verschiedenen DRF-Daten vorhanden sind, was zu dem Problem der Stilunterdrückung mit einem signifikanten Überglättungseffekt führt. Um dieses Problem zu lösen, führen wir innovativ die Domänengeneralisierung in die PET-Bild-Entrauschung ein und schlagen ein universelles PET-Bild-Entrauschungsnetzwerk (UniPET) vor, um eine hochwertige PET-Bild-Entrauschung über verschiedene DRFs hinweg zu erreichen. UniPET umfasst zwei Hauptinnovationen: ein Stilabgleichsnetzwerk (SAN) und eine regionsbewusste Lernstrategie (RALS). Insbesondere nutzt SAN Stilabgleichstechniken aus der Domänengeneralisierung, um Stile über verschiedene DRFs hinweg anzugleichen und wiederherzustellen, wodurch die Generalisierbarkeit des Modells über verschiedene DRFs sichergestellt wird, während Stile effektiv erhalten bleiben. Um die Stilwiederherstellung weiter zu verbessern, unterscheidet RALS zwischen glatten und stilisierten Regionen und führt ausschließlich auf letzteren adversariales Lernen durch, wodurch der Fokus des Modells gezielter auf das Lernen von stilisierten Regionen gelenkt wird. Es wird gezeigt, dass unser vorgeschlagenes UniPET adaptiv verschiedene DRF-Stile wiederherstellen und eine hochwertige PET-Bild-Entrauschung über DRFs hinweg erreichen kann. Umfassende Experimente zeigen, dass UniPET in spezifischen DRFs eine vergleichbare Leistung wie einzelne DRF-spezifische Modelle aufweist und sowohl quantitativ, wahrnehmungsbezogen als auch klinisch den aktuellen Stand der Technik bei der universellen PET-Bild-Entrauschung erreicht.

English

Most existing deep learning-based PET image denoising methods assume a fixed and known dose reduction factor (DRF) for low-dose PET images. However, these methods encounter significant performance degradation when the DRF varies beyond the assumed one in practical applications. To address the challenge posed by varied DRFs, several preliminary studies focus on the task of universal PET image denoising, aiming to train a universal model over low-dose data across DRFs. Nonetheless, these vanilla universal models often struggle with misaligned styles present in different DRF data, leading to the style elimination issue with a significant over-smoothing effect. To deal with this issue, we innovatively introduce domain generalization to PET image denoising and propose a universal PET image denoising network (UniPET) to achieve high-quality PET image denoising across diverse DRFs. UniPET comprises two primary innovations: a style alignment network (SAN) and a region-aware learning strategy (RALS). Specifically, SAN utilizes style alignment techniques derived from domain generalization to align and recover styles across different DRFs, ensuring the model's generalizability across various DRFs while effectively preserving styles. Furthermore, to enhance style recovery, RALS distinguishes between flat and stylized regions, exclusively conducting adversarial learning on the latter, thereby more effectively guiding the model's focus towards learning stylized regions. It is demonstrated that our proposed UniPET can adaptively recover different DRF styles and achieve high-quality PET image denoising across DRFs. Comprehensive experiments show that UniPET exhibits comparable performance to individual DRF-specific models at specific DRFs and realizes state-of-the-art performance in universal PET image denoising quantitatively, perceptually, and clinically.