UniPET: универсальная сеть для высококачественного подавления шума на ПЭТ-изображениях при различных коэффициентах снижения дозы

Аннотация

Большинство существующих методов шумоподавления ПЭТ-изображений на основе глубокого обучения предполагают фиксированный и известный коэффициент снижения дозы (DRF) для низкодозовых ПЭТ-изображений. Однако эти методы демонстрируют значительное ухудшение производительности, когда DRF на практике отклоняется от предполагаемого значения. Для решения проблемы, связанной с различными DRF, несколько предварительных исследований сосредоточены на задаче универсального шумоподавления ПЭТ-изображений, направленной на обучение универсальной модели на низкодозовых данных с разными DRF. Тем не менее, эти простые универсальные модели часто сталкиваются с несоответствием стилей, присутствующих в данных с разными DRF, что приводит к проблеме устранения стиля, сопровождающейся значительным эффектом чрезмерного сглаживания. Для решения этой проблемы мы инновационно применяем обобщение доменов к шумоподавлению ПЭТ-изображений и предлагаем универсальную сеть шумоподавления ПЭТ-изображений (UniPET) для достижения высококачественного шумоподавления ПЭТ-изображений при различных DRF. UniPET включает две основные инновации: сеть выравнивания стилей (SAN) и стратегию обучения с учетом областей (RALS). В частности, SAN использует методы выравнивания стилей, основанные на обобщении доменов, для выравнивания и восстановления стилей при различных DRF, обеспечивая обобщаемость модели для разных DRF при эффективном сохранении стилей. Кроме того, для улучшения восстановления стилей RALS различает плоские и стилизованные области, проводя состязательное обучение исключительно на последних, что более эффективно направляет внимание модели на изучение стилизованных областей. Продемонстрировано, что предложенная нами UniPET может адаптивно восстанавливать стили различных DRF и достигать высококачественного шумоподавления ПЭТ-изображений при разных DRF. Комплексные эксперименты показывают, что UniPET демонстрирует производительность, сопоставимую с отдельными моделями для конкретных DRF при определенных DRF, и достигает передового уровня в универсальном шумоподавлении ПЭТ-изображений как количественно, так и с точки зрения восприятия и клинического применения.

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.