Fed-NDIF：用于低剂量全身 PET 去噪的噪声嵌入式联邦扩散模型
图像与视频处理
2025-03-24 v1 计算机视觉与模式识别
摘要
低剂量正电子断层扫描 (LCPET) 可减少患者辐射暴露，但常因图像噪声增加和肿瘤探测性下降而需要有效去噪技术。扩散模型在 LCPET 去噪方面显示出前景，能够恢复图像质量。然而，该类模型的训练需要大量且多样化的数据集，而在医学领域难以获取。为解决数据稀缺和隐私问题，我们将扩散模型与联邦学习结合——这是一种 Decentralized 训练方法，在不同站点单独训练模型，然后在中心服务器上聚合多个迭代的参数。扫描仪类型和图像噪声水平在机构内部及跨机构之间的差异为 LCPET 去噪中的联邦学习提出了额外挑战。本研究提出一种 novel noise-embedded federated learning diffusion model (Fed-NDIF) 以应对这些挑战，利用多中心数据集和 varying count 水平。我们的方法将肝脏 normalized standard deviation (NSTD) 噪声嵌入到 2.5D 扩散模型中，并利用 Federated Averaging (FedAvg) 算法将本地训练的模型聚合为全局模型，随后在本地数据集上进行 fine-tuning 以优化性能并获得 personalized 模型。在 University of Bern、上海瑞金医院和 Yale-New Haven Hospital 的数据集上进行的广泛验证表明，我们的方法在提升图像质量和改善肿瘤量化方面表现优于本地扩散模型和联邦 UNet-based 模型。Fed-NDIF 模型在整个 3D 体积的 PSNR、SSIM 和 NMSE 指标上均实现显著提升，同时增强了肿瘤探测性和量化能力。
引用
@article{arxiv.2503.16635,
title = {Fed-NDIF: A Noise-Embedded Federated Diffusion Model For Low-Count Whole-Body PET Denoising},
author = {Yinchi Zhou and Huidong Xie and Menghua Xia and Qiong Liu and Bo Zhou and Tianqi Chen and Jun Hou and Liang Guo and Xinyuan Zheng and Hanzhong Wang and Biao Li and Axel Rominger and Kuangyu Shi and Nicha C. Dvorneka and Chi Liu},
journal= {arXiv preprint arXiv:2503.16635},
year = {2025}
}