UniPET: una red universal para la desruidización de alta calidad de imágenes PET en diversos factores de reducción de dosis

Resumen

La mayoría de los métodos existentes de eliminación de ruido en imágenes PET basados en aprendizaje profundo asumen un factor de reducción de dosis (FRD) fijo y conocido para imágenes PET de baja dosis. Sin embargo, estos métodos experimentan una degradación significativa en su rendimiento cuando el FRD varía más allá del supuesto en aplicaciones prácticas. Para abordar el desafío planteado por FRD variados, varios estudios preliminares se centran en la tarea de eliminación de ruido universal en imágenes PET, con el objetivo de entrenar un modelo universal sobre datos de baja dosis a través de diferentes FRD. No obstante, estos modelos universales simples a menudo tienen dificultades con los estilos desalineados presentes en datos con distintos FRD, lo que conduce al problema de eliminación de estilo con un efecto de suavizado excesivo significativo. Para hacer frente a este problema, introducimos innovadoramente la generalización de dominio en la eliminación de ruido de imágenes PET y proponemos una red universal de eliminación de ruido de imágenes PET (UniPET) para lograr una eliminación de ruido de alta calidad en imágenes PET a través de diversos FRD. UniPET comprende dos innovaciones principales: una red de alineación de estilos (SAN) y una estrategia de aprendizaje consciente de regiones (RALS). Específicamente, SAN utiliza técnicas de alineación de estilos derivadas de la generalización de dominio para alinear y recuperar estilos a través de diferentes FRD, asegurando la capacidad de generalización del modelo en varios FRD mientras preserva eficazmente los estilos. Además, para mejorar la recuperación de estilos, RALS distingue entre regiones planas y estilizadas, realizando aprendizaje adversarial exclusivamente en estas últimas, guiando así de manera más efectiva el enfoque del modelo hacia el aprendizaje de regiones estilizadas. Se demuestra que nuestro UniPET propuesto puede recuperar adaptativamente diferentes estilos de FRD y lograr una eliminación de ruido de imágenes PET de alta calidad a través de los FRD. Experimentos exhaustivos muestran que UniPET exhibe un rendimiento comparable al de modelos específicos de cada FRD para FRD particulares y logra un rendimiento de última generación en la eliminación de ruido universal de imágenes PET desde el punto de vista cuantitativo, perceptivo y clínico.

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.