UniPET : un réseau universel pour le débruitage d'images TEP de haute qualité pour divers facteurs de réduction de dose

Résumé

La plupart des méthodes existantes de débruitage d'images TEP basées sur l'apprentissage profond supposent un facteur de réduction de dose (DRF) fixe et connu pour les images TEP à faible dose. Cependant, ces méthodes subissent une dégradation significative des performances lorsque le DRF varie au-delà de celui supposé dans les applications pratiques. Pour relever le défi posé par des DRF variés, plusieurs études préliminaires se concentrent sur la tâche de débruitage universel d'images TEP, visant à entraîner un modèle universel sur des données à faible dose à travers différents DRF. Néanmoins, ces modèles universels basiques peinent souvent à gérer les styles non alignés présents dans les données de différents DRF, ce qui conduit à un problème d'élimination du style avec un effet de sur-lissage important. Pour faire face à ce problème, nous introduisons de manière innovante la généralisation de domaine dans le débruitage d'images TEP et proposons un réseau universel de débruitage d'images TEP (UniPET) pour obtenir un débruitage de haute qualité à travers divers DRF. UniPET comprend deux innovations principales : un réseau d'alignement de style (SAN) et une stratégie d'apprentissage consciente des régions (RALS). Plus précisément, SAN utilise des techniques d'alignement de style issues de la généralisation de domaine pour aligner et récupérer les styles à travers différents DRF, garantissant la généralisabilité du modèle pour divers DRF tout en préservant efficacement les styles. De plus, pour améliorer la récupération du style, RALS distingue les régions plates des régions stylisées, en appliquant exclusivement un apprentissage antagoniste sur ces dernières, guidant ainsi plus efficacement l'attention du modèle vers l'apprentissage des régions stylisées. Il est démontré que notre UniPET proposé peut récupérer de manière adaptative les styles de différents DRF et réaliser un débruitage d'images TEP de haute qualité à travers les DRF. Des expériences approfondies montrent qu'UniPET présente des performances comparables à celles de modèles spécifiques à chaque DRF pour des DRF particuliers et atteint des performances de pointe en débruitage universel d'images TEP, tant sur le plan quantitatif, perceptif que clinique.

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.