AI 浪潮下,PET 图像重建的 “柳暗花明又一村” !

我爱免费

作者：核医之家


良好的图像质量和准确的量化在PET成像中对临床诊断、预后、分期/再分期和治疗监测至关重要。随着核医学影像设备的广泛应用和计算机技术的迅速发展，图像重建方法作为PET成像的一个关键环节，其研究工作也越发受到重视。

PART.1

PET图像重建

图像重建是指根据对物体探测获取的数据来重新建立图像的方法。PET探测器检测注入人体的示踪剂在湮灭辐射过程中产生的射线，经过符合采集系统处理形成投影线，以SINO的方式存放于计算机硬盘中。计算机调用图像重建模块，生成人体断层图像。



从FBP到最近迭代PET图像重建算法的各种PET图像重建方法

目前，我们熟知的PET图像基础重建算法主要包括解析法和迭代法。

• 
  解析法是以中心切片定理为基础的反投影方法，常用的是滤波反投影法(FilteredBack-Projection，FBP)。
  
• 
  常用的迭代法有最大似然法(MaximumLikelihood Expectation-Maximization，MLEM)和有序子集最大似然法(Ordered Subset Expectation Maximization，OSEM)。
  

FBP重建算法虽易于临床实现，但是抗噪声能力差，在采集数据为相对欠采样和热源尺寸较小（如小病灶）的情况下，往往难以得到令人满意的重建图像。而且，在低计数条件下图像条状伪影十分严重。

作为目前应用广泛的OSEM算法，随着迭代次数的增加，图像噪声会快速增加，因此必须提前停止迭代过程，并且需要使用额外的后处理滤波器来平滑图像。

随着技术的发展，以及大众对低辐射的追求，在扫描时间较短、注射剂量较低等计数率低的情况下，如何克服这些难题？

在过去的几年里，深度学习方法已被证明在PET图像去噪、重建方面具有卓越的性能。早期比较成熟的AI降噪算法是利用卷积神经网络对输入图像到目标图像进行直接对比训练，可以学会如何区分噪声和信号，在OSEM算法重建后直接对PET图像进行AI降噪处理。这种算法虽然能有效去除PET图像噪声，但由于同一网络识别多种图像特征是比较困难的，当原始图像噪声较大时，小病灶可能被噪声淹没。



CNN对于小病变并没有完全显示它的摄取

QPET图像重建的前进之路又在何方？
传统的迭代重建技术能有效提升图像对比度但引入了过多的噪声，而直接AI降噪算法的临床应用充分印证了神经网络在降噪方面的巨大优势，但却可能损失一定图像对比度。PET图像重建的前进之路又在何方？



PART.2

2019年，麻省总医院和哈佛医学院发表文章指明了PET图像重建算法发展的方向。该文章证实一种 “理想的算法” 的存在，将CNN内嵌入迭代重建过程中（CNN-AI迭代），相较于传统的迭代算法和直接AI降噪，AI迭代（IterativeCNN）的技术路线具有更好的降噪效果和图像对比度提升效果。





基于对上述两个重要因素，2021年深度渐进学习迭代重建算法DPR算法 (Deep Progressive Reconstruction) 问世，实现同时对PET图像对比度、图像噪声和图像信噪比的三重优化。



关于DPR算法

相较于当前AI降噪算法从输入到目标图像的单一网络直接对比学习，DPR算法将PET低质量与高质量图像之间的差异细化分解为噪声、对比度、分辨率等多个维度的差异特征，通过对应的不同卷积神经网络逐一进行图像特征的分布渐进式优化，大幅降低了传统单一网络AI算法由于目标与输入图像差异较大而造成的优化结果不稳定性。

并且在DPR算法的开发中，所有内嵌的神经网络模型目标图像训练集均来自于Total-bodyPET/CT uEXPLORER探索者设备上采集到的长时间全身扫描PET图像。得益于uEXPLORER近40倍提升的超高系统灵敏度，长时间扫描足以获得噪声极低且对比度高的优质PET临床图像，且16万庞大数量的PET图像训练集也有效保证了神经网络模型输出图像优化结果的可靠性。



参考文献

[1] Hashimoto F, Onishi Y, Ote K, Tashima H, Reader AJ, Yamaya T. Deep learning-based PET image denoising and reconstruction: a review [published correction appears in Radiol Phys Technol. 2024 Mar 16;:]. Radiol Phys Technol. 2024;17(1):24-46. doi:10.1007/s12194-024-00780-3.

[2] Trägårdh E, Minarik D, Almquist H, et al. Impact of acquisition time and penalizing factor in a block-sequential regularized expectation maximization reconstruction algorithm on a Si-photomultiplier-based PET-CT system for 18F-FDG. EJNMMI Res. 2019;9(1):64. Published 2019 Jul 24. doi:10.1186/s13550-019-0535-4.

[3] Schaefferkoetter J, Yan J, Ortega C, et al. Convolutional neural networks for improving image quality with noisy PET data. EJNMMI Res. 2020;10(1):105. Published 2020 Sep 21. doi:10.1186/s13550-020-00695-1.

[4] Kuang Gong, Jiahui Guan, Kyungsang Kim, et al. Iterative PET Image Reconstruction Using Convolutional Neural Network Representation. IEEE Trans Med Imaging. 2019;38(3):675-685. doi:10.1109/TMI.2018.2869871

[5] Wang T, Qiao W, Wang Y, et al. Deep progressive learning achieves whole-body low-dose 18F-FDG PET imaging. EJNMMI Phys. 2022;9(1):82. Published 2022 Nov 22. doi:10.1186/s40658-022-00508-5

[6] 刘力,吴晓锋,印胤.正电子断层扫描仪与PET图像重建概述[J]. CT理论与应用研究, 2003, 12(1):4.

·END·


↓↓ 欢迎进入鼎湖学堂