U-TTT: Naar generaliseerbare ruisonderdrukking van PET-beelden via training tijdens de testfase

Samenvatting

Bestaande deep learning modellen voor ruisonderdrukking van Positronemissietomografie (PET)-beelden lijden vaak onder ernstige prestatievermindering bij distributieverschuivingen, wat hun robuuste klinische toepassing fundamenteel beperkt. Dit gebrek aan generalisatie komt voort uit het conventionele paradigma van modellen met vaste parameters, die zich na training niet kunnen aanpassen aan variaties in testgegevens (bijv. dosisniveaus of scannertypes). Om deze beperking te overwinnen en robuuste generalisatie te bereiken, introduceren we U-TTT, een nieuw U-vormig model dat Test-Time Training (TTT)-lagen integreert om tijdens inferentie via zelfsupervisie de modelparameters dynamisch aan te passen, en zich zo aan te passen aan de specifieke kenmerken van elk testgeval. Om bovendien de complexe degradaties van 3D PET-gegevens uitgebreid vast te leggen, beschikt U-TTT over een mechanisme voor tweevoudige domeinaanpassing, bestaande uit een Spatiële Test-Time Training (S-TTT)-laag en een Frequentie Test-Time Training (F-TTT)-laag. De S-TTT-laag vangt spatiële structurele degradaties op en corrigeert deze, terwijl de F-TTT-laag globale ruisspectra onderdrukt en delicate hoogfrequente details herstelt. Uitgebreide experimenten tonen aan dat U-TTT state-of-the-art PET-ruisonderdrukking bereikt en superieure generalisatie vertoont onder uitdagende distributieverschuivingen, waaronder zowel ongeziene dosisniveaus als ongeziene scanners. Onze code zal beschikbaar zijn op https://github.com/Yaziwel/U-TTT.

English

Existing deep learning models for Positron Emission Tomography (PET) image denoising often suffer from severe performance degradation under distribution shifts, fundamentally restricting their robust clinical deployment. This lack of generalization stems from the conventional paradigm of fixed-parameter models that cannot adapt to variations in test data (e.g., dose levels or scanner types) after training. To overcome this limitation and achieve robust generalization, we introduce U-TTT, a novel U-shaped model that integrates Test-Time Training (TTT) layers to dynamically adjust model parameters during inference through self-supervision, thereby adapting to the specific characteristics of each test instance. Furthermore, to comprehensively capture the complex degradations of 3D PET data, U-TTT features a dual-domain adaptation mechanism comprising a Spatial Test-Time Training (S-TTT) layer and a Frequency Test-Time Training (F-TTT) layer. The S-TTT layer captures and corrects spatial structural degradations, while the F-TTT layer suppresses global noise spectra and restores delicate high-frequency details. Extensive experiments demonstrate that U-TTT achieves state-of-the-art PET denoising performance and exhibits superior generalization under challenging distribution shifts, including both unseen dose levels and unseen scanners. Our code will be available at https://github.com/Yaziwel/U-TTT.