.png){kind=icon}
返回
LeqMod: Adaptable Lesion-Quantification-Consistent Modulation for Deep Learning Low-Count PET Image Denoising
.png){kind=icon}
PRE
AI
DOI：10.1109/TMI.2025.3618247.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的正电子发射断层扫描（PET）图像去噪通过将低计数图像转换为高计数等效图像，具有减少辐射暴露和扫描时间的潜力。然而，现有方法通常会模糊关键细节，导致病灶量化不准确。本文提出了一种病灶感知且量化一致的调制（LeqMod）策略，用于增强PET图像去噪，通过将下游病灶量化分析作为辅助工具。LeqMod是一种可插拔的设计，适用于多种模型架构，通过调节模型训练的采样和优化过程，而不会增加推理阶段的计算负担。具体而言，LeqMod由两个组件组成：病灶感知调制（LeMod）和多尺度量化一致调制（QuMod）。LeMod通过为辅助分割网络确定的病灶存在样本分配更高的采样权重和更严格的损失标准，以增强病灶对比度和可见性，而病灶不存在样本则不进行此类处理。QuMod进一步强调在整个图像的多尺度子区域内对平均标准摄取值（${\mathrm{SUV}}_{{\textit{mean}}}$）和最大标准摄取值（${\mathrm{SUV}}_{{\textit{max}}}$）的量化准确性，从而减少去噪结果相对于高计数参考图像的偏差。在来自多个中心和供应商的大型PET数据集以及不同噪声水平下进行的实验，证明了LeqMod在各种去噪框架中的有效性。与未集成LeqMod的框架相比，在参与各站点图像去噪时，集成LeqMod将病灶${\mathrm{SUV}}_{{\textit{max}}}$偏差平均降低了5.92%，并将峰值信噪比（PSNR）平均提高了0.36。（代码可在https://github.com/mhxiaaa/LeqMod_PET_denoising获取）
Keyword:
Low-count PET image denoising
deep learning
segmentation-assisted denoising
lesion quantification
期刊
IF:
9.8
论文数:
6.3K
被引数:
3.7W
机构
引用论文
Denoising of PET images by combining wavelets and curvelets for improved preservation of resolution and quantitation.png)
MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏
查看更多内容