一种噪声水平感知的 PET 图像去噪框架
图像与视频处理
2022-12-20 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
在 PET 中,不同身体区域存在的相对(信号相关)噪声量可能有显著差异,并固有地与该区域存在的计数数目相关。一个区域中的计数数目原则上除其他因素外取决于总给药活度、扫描仪灵敏度、图像采集时长、该区域的放射性药物示踪剂摄取以及环绕该区域的患者局部身体形态。理论上,对高计数(低相对噪声)图像去噪所需的去噪操作少于低计数(高相对噪声)图像,反之亦然。当前基于深度学习的 PET 图像去噪方法主要在图像表观上训练,对不同噪声水平图像无特殊处理。我们的假设是,通过将输入图像的局部相对噪声水平显式提供给深度卷积神经网络(DCNN),该 DCNN 可胜过仅基于图像表观训练的自身。为此,我们提出一种噪声水平感知的去噪框架,可将局部噪声水平嵌入 DCNN。所提方法在 GE Discovery MI PET/CT 系统上采集的 30 和 15 例患者 PET 图像上训练与测试。我们的实验表明,带相对噪声水平嵌入(NLE)的主干网络相比无 NLE 的相同网络在 PSNR 与 SSIM 上的提升均具统计显著性(p<0.001),且所提方法以较大优势显著优于一个强基线方法。
引用
@article{arxiv.2203.08034,
title = {A Noise-level-aware Framework for PET Image Denoising},
author = {Ye Li and Jianan Cui and Junyu Chen and Guodong Zeng and Scott Wollenweber and Floris Jansen and Se-In Jang and Kyungsang Kim and Kuang Gong and Quanzheng Li},
journal= {arXiv preprint arXiv:2203.08034},
year = {2022}
}