用于 TOF-PET 列表模式图像重建的深度展开原始-对偶网络

时间飞行 (TOF) 信息为射电光子提供更精确的位置数据，从而提高 PET 重建图像的质量并降低噪声。列表模式重建在处理 TOF 信息方面具有显著优势。然而，当前的高级 TOF PET 列表模式重建算法在处理低计数数据时仍有待改进。深度学习算法在 PET 图像重建中显示出前景。然而，将 TOF 信息纳入深度学习方法面临着与深度方法存储空间需求相关的重大挑战，尤其是针对高级深度展开方法。本研究提出了一种用于 TOF-PET 列表模式重建的深度展开原始-对偶网络。该网络展开为多个阶段，每个阶段包括用于列表模式域更新的对偶网络和用于图像域更新的原始网络。我们利用 CUDA 进行并行加速和计算 TOF 列表模式数据的系统矩阵，并采用动态访问策略来缓解内存消耗。不同 TOF 分辨率和不同计数水平的重建图像表明，所提出的方法在视觉和定量分析方面均优于 LM-OSEM、LM-EMTV、LM-SPDHG、LM-SPDHG-TV 和 FastPET 方法。这些结果表明深度展开方法可用于 TOF-PET 列表模式数据，优于当前主流的 TOF-PET 列表模式重建算法，为 TOF 列表模式数据应用深度学习方法提供了新思路。本工作的代码可在 https://github.com/RickHH/LMPDnet 获取。