基于深度学习的去噪方法亟需客观任务型评估：以心肌灌注SPECT为例的研究
图像与视频处理
2023-04-04 v5 计算机视觉与模式识别
机器学习
医学物理
摘要
基于人工智能的方法在核医学中引起了极大关注。一个备受关注的领域是利用基于深度学习(DL)的方法对以较低剂量、较短采集时间或两者兼而有之方式获取的图像进行去噪。这些方法的客观评估对于临床应用至关重要。基于DL的核医学图像去噪方法通常使用时域保真度指标(fidelity-based figures of merit, FoMs)如RMSE和SSIM进行评估。然而，这些图像是为临床任务而采集的，因此应基于其在这些任务中的表现进行评估。我们的目标是：(1)研究使用这些FoMs的评估是否与客观临床任务型评估一致；(2)提供理论分析以确定去噪对信号检测任务的影响；(3)展示虚拟临床试验(VCTs)在评估基于DL的方法中的效用。我们开展了一项VCT，用于评估一种基于DL的心肌灌注SPECT(MPS)图像去噪方法。使用保真度FoMs和AUC评估基于DL的去噪的影响，其中AUC通过具有拟人通道的模型观察者量化了MPS图像中灌注缺损检测的性能。基于保真度FoMs，使用所考虑的基于DL的方法进行去噪带来了显著更优的性能。然而，基于ROC分析，去噪并未改善，事实上常常降低了检测任务的性能。这些结果说明了基于DL的去噪方法亟需客观任务型评估。此外，本研究展示了VCTs如何提供一种利用VCTs进行此类评估的机制。最后，我们的理论处理揭示了去噪方法性能有限的原因。
引用
@article{arxiv.2303.02110,
title = {Need for Objective Task-based Evaluation of Deep Learning-Based Denoising Methods: A Study in the Context of Myocardial Perfusion SPECT},
author = {Zitong Yu and Md Ashequr Rahman and Richard Laforest and Thomas H. Schindler and Robert J. Gropler and Richard L. Wahl and Barry A. Siegel and Abhinav K. Jha},
journal= {arXiv preprint arXiv:2303.02110},
year = {2023}
}