用于PET图像重建的自监督与有监督深度学习
图像与视频处理
2023-02-28 v1
摘要
本文提出一种统一的自监督与有监督深度学习框架用于PET图像重建，包括用于正弦图的深度学习方法滤波反投影（DL-FBP）、用于反投影图像的深度学习方法反投影后滤波（DL-BPF），以及一种在正弦图与图像域均使用深度网络的更通用映射（DL-FBP-F）。该框架允许不同数量与类型的训练数据，从仅有一个单一数据集待重建，到拥有大量实测数据集（这些数据集可能与高质量参考配对或不配对）。对于纯自监督映射，无需参考或真值数据。自监督深度学习的重建算子均在损失函数中使用常规图像重建目标（如最大泊松似然、最大后验）。若希望重建网络具备泛化能力（即对新实测数据集无需或仅需极少重训练，但快速且可复用），则这些自监督网络即使仅从单一数据集预先训练也展现出潜力。然而对于任意给定的新实测数据集，微调通常是必要的，并且若追求可泛化网络，初始训练集理想情况下应超越单一数据集。本文展示了纯自监督单数据集情形的示例结果，但这些网络可：i) 为任意实测数据集专门训练以从中重建；ii) 在多数据集上预训练后无需重训练即可用于新实测数据；iii) 预训练后对新实测数据微调；iv) 可选地与高质量参考一起训练。该框架通过可选纳入有监督学习，利用现有（若有）任意数量与类型的训练数据，提供了一系列重建途径。
引用
@article{arxiv.2302.13086,
title = {Self-Supervised and Supervised Deep Learning for PET Image Reconstruction},
author = {Andrew J. Reader},
journal= {arXiv preprint arXiv:2302.13086},
year = {2023}
}