UniPET: een universeel netwerk voor hoogwaardige denoising van PET-beelden over uiteenlopende dosisreductiefactoren

Samenvatting

De meeste bestaande, op diep leren gebaseerde methoden voor ruisonderdrukking van PET-beelden gaan uit van een vaste en bekende dosisreductiefactor (DRF) voor lage-dosis PET-beelden. Deze methoden ondervinden echter een aanzienlijke prestatievermindering wanneer de DRF in de praktijk afwijkt van de veronderstelde waarde. Om de uitdaging van variërende DRF's aan te pakken, richten verschillende voorbereidende studies zich op de taak van universele ruisonderdrukking van PET-beelden, met als doel een universeel model te trainen op lage-dosis gegevens over meerdere DRF's. Niettemin hebben deze eenvoudige universele modellen vaak moeite met niet-overeenkomende stijlen in gegevens van verschillende DRF's, wat leidt tot het probleem van stijleliminatie met een aanzienlijk overmatig afvlakkend effect. Om dit probleem aan te pakken, introduceren we op innovatieve wijze domeingeneralisatie in de ruisonderdrukking van PET-beelden en stellen we een universeel netwerk voor ruisonderdrukking van PET-beelden (UniPET) voor om hoogwaardige ruisonderdrukking van PET-beelden over diverse DRF's te realiseren. UniPET omvat twee primaire innovaties: een stijlafstemmingsnetwerk (SAN) en een regio-bewuste leerstrategie (RALS). Specifiek maakt SAN gebruik van stijlafstemmingstechnieken die zijn afgeleid van domeingeneralisatie om stijlen over verschillende DRF's af te stemmen en te herstellen, wat de generaliseerbaarheid van het model over verschillende DRF's waarborgt terwijl stijlen effectief behouden blijven. Verder, om stijlherstel te verbeteren, maakt RALS onderscheid tussen vlakke en gestileerde regio's, en voert uitsluitend adversariaal leren uit op de laatste, waardoor de focus van het model effectiever wordt gestuurd naar het leren van gestileerde regio's. Er wordt aangetoond dat ons voorgestelde UniPET adaptief verschillende DRF-stijlen kan herstellen en hoogwaardige ruisonderdrukking van PET-beelden over DRF's kan bereiken. Uitgebreide experimenten tonen aan dat UniPET een vergelijkbare prestatie levert als individuele DRF-specifieke modellen bij specifieke DRF's en de state-of-the-art prestatie realiseert in universele ruisonderdrukking van PET-beelden, zowel kwantitatief, perceptueel als klinisch.

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.