基于去噪扩散概率模型的 PET 图像去噪
图像与视频处理
2022-09-15 v2 计算机视觉与模式识别
医学物理
摘要
由于各种物理退化因素和接收到的计数有限，PET 图像质量需要进一步改善。去噪扩散概率模型(DDPM)是基于分布学习的模型，其试图通过迭代细化将正态分布转换为特定的数据分布。在本工作中，我们提出并评估了不同的基于 DDPM 的 PET 图像去噪方法。在 DDPM 框架下，执行 PET 图像去噪的一种方式是提供 PET 图像和/或先验图像作为网络输入。另一种方式是将先验图像作为输入，并将 PET 图像包含在细化步骤中，这可适应不同噪声水平的场景。利用 120 个 18F-FDG 数据集和 140 个 18F-MK-6240 数据集来评估所提出的基于 DDPM 的方法。定量表明，包含 PET 信息的基于 DDPM 的框架比非局部均值和基于 Unet 的去噪方法能生成更好的结果。在模型中加入额外的 MR 先验有助于获得更好性能并进一步降低图像去噪过程中的不确定性。仅依赖 MR 先验而忽略 PET 信息会导致较大偏差。区域与表面定量表明，在推理过程中将 MR 先验作为网络输入同时将 PET 图像作为数据一致性约束嵌入可实现最佳性能。总之，基于 DDPM 的 PET 图像去噪是一个灵活的框架，可有效利用先验信息并比非局部均值和基于 Unet 的去噪方法取得更好性能。
引用
@article{arxiv.2209.06167,
title = {PET image denoising based on denoising diffusion probabilistic models},
author = {Kuang Gong and Keith A. Johnson and Georges El Fakhri and Quanzheng Li and Tinsu Pan},
journal= {arXiv preprint arXiv:2209.06167},
year = {2022}
}
备注
8 figures