UniPET: uma rede universal para remoção de ruído de alta qualidade em imagens PET em diversos fatores de redução de dose

Resumo

A maioria dos métodos existentes de redução de ruído em imagens PET baseados em aprendizado profundo assume um fator de redução de dose (DRF) fixo e conhecido para imagens PET de baixa dose. No entanto, esses métodos enfrentam degradação significativa de desempenho quando o DRF varia além do assumido em aplicações práticas. Para lidar com o desafio imposto por DRFs variados, vários estudos preliminares focam na tarefa de redução universal de ruído em imagens PET, visando treinar um modelo universal sobre dados de baixa dose entre diferentes DRFs. Contudo, esses modelos universais simples frequentemente lutam com estilos desalinhados presentes em dados de diferentes DRFs, levando ao problema de eliminação de estilo com um efeito significativo de superalização. Para tratar desse problema, inovadoramente introduzimos a generalização de domínio na redução de ruído em imagens PET e propomos uma rede universal de redução de ruído em imagens PET (UniPET) para alcançar redução de ruído de alta qualidade em imagens PET através de diversos DRFs. UniPET compreende duas inovações principais: uma rede de alinhamento de estilo (SAN) e uma estratégia de aprendizado sensível à região (RALS). Especificamente, a SAN utiliza técnicas de alinhamento de estilo derivadas da generalização de domínio para alinhar e recuperar estilos entre diferentes DRFs, garantindo a generalizabilidade do modelo através de vários DRFs enquanto preserva efetivamente os estilos. Além disso, para aprimorar a recuperação de estilo, a RALS distingue entre regiões planas e estilizadas, realizando aprendizado adversarial exclusivamente nas últimas, guiando assim mais efetivamente o foco do modelo para aprender regiões estilizadas. Demonstra-se que nosso UniPET proposto pode recuperar adaptativamente estilos de diferentes DRFs e alcançar redução de ruído de alta qualidade em imagens PET através de DRFs. Experimentos abrangentes mostram que o UniPET exibe desempenho comparável a modelos específicos para DRFs individuais em DRFs particulares e alcança o estado da arte em redução universal de ruído em imagens PET quantitativamente, perceptivamente e clinicamente.

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.