- Нейронный КЭМ: метод ядра с глубоким коэффициентом априорной реконструкции ПЭТ-изображения (arXiv)
Автор: Сики Ли, Куанг Гонг, Рэмси Д. Бадави, Эдвард Дж. Ким, Цзиньи Ци, Гобао Ван
Аннотация:Реконструкция изображения данных позитронно-эмиссионной томографии (ПЭТ) с малым числом импульсов является сложной задачей. Методы ядра решают эту проблему путем включения априорной информации об изображении в упреждающую модель итеративной реконструкции ПЭТ-изображения. Был разработан ядерный алгоритм максимизации ожиданий (KEM), который продемонстрировал свою эффективность и простоту реализации. Распространенным подходом к дальнейшему улучшению метода ядра было бы добавление явной регуляризации, что, однако, приводит к сложной проблеме оптимизации. В этой статье мы предлагаем неявную регуляризацию для метода ядра с использованием априорного глубокого коэффициента, который представляет изображение коэффициента ядра в прямой модели PET с использованием сверточной нейронной сети. Чтобы решить задачу реконструкции на основе нейронной сети максимального правдоподобия, мы применяем принцип переноса оптимизации для получения нейронного алгоритма KEM. Каждая итерация алгоритма состоит из двух отдельных шагов: шаг KEM для обновления изображения из данных проекции и шаг глубокого обучения в области изображения для обновления изображения коэффициента ядра с использованием нейронной сети. Этот алгоритм оптимизации гарантированно монотонно увеличивает вероятность данных. Результаты компьютерного моделирования и данные реальных пациентов продемонстрировали, что нейронная КЭМ может превзойти существующие методы КЭМ и методы глубокого изображения.
2. Представление глубокого ядра для реконструкции изображения в PET(arXiv)
Аннотация: Реконструкция изображения для позитронно-эмиссионной томографии (ПЭТ) является сложной задачей из-за плохо обусловленной томографической проблемы и низкой статистики подсчета. Методы ядра решают эту проблему, используя представление ядра для включения априорной информации об изображении в прямую модель итеративной реконструкции ПЭТ-изображения. Существующие методы ядра строят ядра, обычно используя эмпирический процесс, что может привести к неоптимальной производительности. В этой статье мы описываем эквивалентность между представлением ядра и моделью обучаемой нейронной сети. Затем предлагается метод глубокого ядра, использующий глубокую нейронную сеть для обеспечения автоматического обучения оптимизированной модели ядра, и он непосредственно применим к отдельным субъектам. В процессе обучения используются доступные априорные данные изображений для поиска наилучшего способа формирования набора надежных ядер оптимальным, а не эмпирическим путем. Результаты компьютерного моделирования и набор данных реального пациента демонстрируют, что предложенный метод глубокого ядра может превзойти существующий метод ядра и метод нейронной сети для динамической реконструкции ПЭТ-изображения.
3. Реконструкция изображения .PET с несколькими ядрами и несколькими регуляризаторами пространства ядра (arXiv)
Автор:Шияо Го, Юся Шэн, Шенпэн Ли, Ли Чай, Цзинсинь Чжан
Аннотация:Методы максимального правдоподобия (ML) с максимизацией ожидания (EM) недавно получили известность в реконструкции ПЭТ-изображений, превзойдя многие предыдущие современные методы. Но они не застрахованы от проблем методов MLEM без ядра, связанных с потенциально большой ошибкой реконструкции и высокой чувствительностью к количеству итераций. Эта статья демонстрирует эти проблемы с помощью теоретических рассуждений и результатов экспериментов и предлагает новое решение для решения этих проблем. Решение представляет собой регуляризованный ядерный MLEM с несколькими матрицами ядра и несколькими регуляризаторами пространства ядра, которые можно адаптировать для различных приложений. Чтобы уменьшить ошибку реконструкции и чувствительность к номеру итерации, мы представляем общий класс многоядерных матриц и два регуляризатора, состоящих из словаря ядра изображения и квадратичного лапласиана изображения ядра, и используем их для получения одноядерного регуляризованного EM и многоядерного регуляризатора. Ядро-регуляризованные ЭМ-алгоритмы для реконструкции ПЭТ-изображений. Эти новые алгоритмы получены с использованием технических инструментов комбинации нескольких ядер в машинном обучении, изучения словаря изображений в разреженном кодировании и квадратичного графа Лаплциана в обработке сигналов графа. Обширные тесты и сравнения смоделированных данных и данных in vivo представлены для проверки и оценки новых алгоритмов, а также для демонстрации их превосходной производительности и преимуществ по сравнению с ядром MLEM и другими традиционными методами.
4. Реконструкция ПЭТ-изображения со штрафным правдоподобием с использованием трехмерного структурного сверточного разреженного кодирования (arXiv)
Авторы: Нуобэй Се, Куан Гун, Нин Го, Чжисинь Цинь, Чжифан Ву, Хуафэн Лю, Цюаньчжэн Ли
Аннотация: Позитронно-эмиссионная томография (ПЭТ) широко используется для клинической диагностики. Поскольку ПЭТ имеет низкое разрешение и высокий уровень шума, предпринимаются многочисленные попытки включить анатомические данные в реконструкцию ПЭТ-изображений, особенно при разработке гибридных систем ПЭТ/КТ и ПЭТ/МРТ. В этой работе мы предложили новую концепцию трехмерного структурного сверточного разреженного кодирования (CSC) для реконструкции ПЭТ-изображений со штрафным правдоподобием, названную 3D PET-CSC. Предлагаемый 3D PET-CSC использует преимущества операции свертки и позволяет включать анатомические данные без необходимости регистрации или контролируемого обучения. Поскольку 3D PET-CSC кодирует все трехмерное ПЭТ-изображение вместо фрагментов, он устраняет артефакты лестницы, обычно присутствующие в традиционных методах разреженного кодирования на основе фрагментов. Кроме того, мы разработали механизмы остаточного изображения и подмножества порядка для дальнейшего снижения вычислительных затрат и ускорения сходимости для предлагаемого метода 3D PET-CSC. Эксперименты, основанные на компьютерном моделировании и наборах клинических данных, демонстрируют превосходство 3D PET-CSC по сравнению с другими эталонными методами.
