UniPET: 様々な線量低減率に対応した高品質PET画像ノイズ除去のための汎用ネットワーク

要旨

既存の深層学習に基づくPET画像ノイズ除去手法のほとんどは、低線量PET画像に対して固定された既知の線量低減率(DRF)を想定している。しかしながら、これらの手法は、実際の応用においてDRFが想定された値から逸脱して変動する場合、著しい性能低下に直面する。多様なDRFによって生じる課題に対処するため、いくつかの予備的研究では、複数のDRFにわたる低線量データに対して汎用モデルを訓練することを目的とした、汎用PET画像ノイズ除去タスクに焦点を当てている。それでもなお、これらの基本的な汎用モデルは、異なるDRFデータに存在するスタイルの不一致にしばしば苦戦し、顕著な過度な平滑化効果を伴うスタイル消失問題を引き起こす。この問題に対処するため、我々はPET画像ノイズ除去にドメイン汎化を革新的に導入し、多様なDRFにわたって高品質なPET画像ノイズ除去を実現する汎用PET画像ノイズ除去ネットワーク(UniPET)を提案する。UniPETは、スタイル調整ネットワーク(SAN)と領域認識学習戦略(RALS)という2つの主要な革新から構成される。具体的には、SANはドメイン汎化に由来するスタイル調整技術を利用して、異なるDRF間でのスタイルの調整と復元を行い、スタイルを効果的に保持しつつ、様々なDRFに対するモデルの汎化能力を保証する。さらに、スタイル復元を強化するため、RALSは平坦領域とスタイル化領域を区別し、後者にのみ敵対的学習を実施することで、モデルの焦点をスタイル化領域の学習により効果的に導く。提案するUniPETは、異なるDRFスタイルを適応的に復元し、DRF間で高品質なPET画像ノイズ除去を達成できることが示されている。包括的な実験により、UniPETは特定のDRFにおいて個別のDRF固有モデルと同等の性能を示し、定量的、知覚的、臨床的に汎用PET画像ノイズ除去において最先端の性能を実現する。

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.