UniPET: 다양한 선량 감소 계수에 걸친 고품질 PET 영상 잡음 제거를 위한 범용 네트워크

초록

대부분의 기존 딥러닝 기반 PET 영상 잡음 제거 방법은 저선량 PET 영상에 대해 고정되고 알려진 선량 감소 계수(DRF)를 가정한다. 그러나 이러한 방법들은 실제 응용에서 DRF가 가정된 값 이상으로 변동할 때 상당한 성능 저하를 겪는다. 다양한 DRF로 인한 문제를 해결하기 위해, 여러 예비 연구들은 다양한 DRF에 걸친 저선량 데이터로 보편 모델을 훈련하는 것을 목표로 하는 보편적 PET 영상 잡음 제거 작업에 초점을 맞추고 있다. 그럼에도 불구하고, 이러한 기본적인 보편 모델들은 서로 다른 DRF 데이터에 존재하는 정렬되지 않은 스타일로 인해 어려움을 겪으며, 심각한 과도 평활화 효과와 함께 스타일 제거 문제를 초래한다. 이 문제를 해결하기 위해, 우리는 혁신적으로 도메인 일반화를 PET 영상 잡음 제거에 도입하고, 다양한 DRF에 걸쳐 고품질 PET 영상 잡음 제거를 달성하기 위한 보편적 PET 영상 잡음 제거 네트워크(UniPET)를 제안한다. UniPET은 두 가지 주요 혁신 요소, 즉 스타일 정렬 네트워크(SAN)와 영역 인식 학습 전략(RALS)으로 구성된다. 구체적으로, SAN은 도메인 일반화에서 파생된 스타일 정렬 기법을 활용하여 서로 다른 DRF 간의 스타일을 정렬하고 복원함으로써, 스타일을 효과적으로 보존하면서 다양한 DRF에 걸친 모델의 일반화 능력을 보장한다. 또한, 스타일 복원을 강화하기 위해 RALS는 평탄 영역과 스타일화된 영역을 구분하고, 후자에 대해서만 적대적 학습을 수행함으로써 모델의 초점을 스타일화된 영역 학습으로 더 효과적으로 유도한다. 제안된 UniPET이 적응적으로 다양한 DRF 스타일을 복원하고 DRF 전반에 걸쳐 고품질 PET 영상 잡음 제거를 달성할 수 있음을 보여준다. 포괄적인 실험을 통해 UniPET이 특정 DRF에서 개별 DRF 특화 모델과 비교 가능한 성능을 보이며, 정량적, 지각적, 임상적으로 보편적 PET 영상 잡음 제거에서 최첨단 성능을 달성함을 보여준다.

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.