低線量FDG PET画像のノイズ除去のためのサイクルガンを用いた教師付き学習

Supervised learning with cyclegan for low-dose FDG PET image denoising.

• Long Zhou
• Joshua D Schaefferkoetter
• Ivan W K Tham
• Gang Huang
• Jianhua Yan

抄録

PET画像撮影では、放射性トレーサーの注入が行われるため、放射線被曝のリスクが懸念される。潜在的なリスクを最小化するために、注入されるトレーサーを減らすことが一つの方法である。しかし、これは従来の画像再構成と処理では画質が悪くなる。本論文では、低線量PETの画質を向上させるために、教師付きディープラーニングモデルであるCycleWGANsを提案した。検証は、生検で証明された原発性肺がんや放射線異常が疑われる低線量PET画像を模擬したデータセットを用いて行った。低線量PET画像は、PETリストモードデータのイベントを100万カウントレベルに向かってランダムに破棄することにより、縮小されたPET生データ上で再構成された。従来の画像ノイズ除去法（非局所平均（NLM）とブロックマッチング3D（BM3D））と最近発表された2つの深層学習法（RED-CNNと3D-cGAN）を比較対象とした。100万カウント（真のカウント）レベルでは、提案モデルは低線量入力画像から全線量PET画像を正確に推定することができ、病変と正常組織の平均値と最大標準化された取り込み値（SUVとSUV）のバイアスの点で他の4つの手法よりも優れていた。病変および正常組織に対するSUV（SUV、SUV）のバイアスは、推定PET画像において、それぞれ（-2.06±3.50%、-0.84±6.94%）および（-0.45±5.59%、N/A）であった。しかし、RED-CNNは構造類似性（SSIM）、ピーク信号対雑音比（PSNR）、正規化平均二乗誤差（NRMSE）などの従来の指標では最高のスコアを達成した。相関解析とプロファイル解析により、この現象を説明することに成功し、さらに、我々の手法はRED-CNN, 3D-cGAN, NLMよりもエッジを効果的に保存し、さらにSUV値もわずかに高いノイズで保存できることが示唆された。

PET imaging involves radiotracer injections, raising concerns about the risk of radiation exposure. To minimize the potential risk, one way is to reduce the injected tracer. However, this will lead to poor image quality with conventional image reconstruction and processing. In this paper, we proposed a supervised deep learning model, CycleWGANs, to boost low-dose PET image quality. Validations were performed on a low dose dataset simulated from a real dataset with biopsy-proven primary lung cancer or suspicious radiological abnormalities. Low dose PET images were reconstructed on reduced PET raw data by randomly discarding events in the PET list mode data towards the count level of 1 million. Traditional image denoising methods (Non-Local Mean (NLM) and block-matching 3D(BM3D)) and two recently-published deep learning methods (RED-CNN and 3D-cGAN) were included for comparisons. At the count level of 1 million (true counts), the proposed model can accurately estimate full-dose PET image from low-dose input image, which is superior to the other four methods in terms of the mean and maximum standardized uptake value (SUV and SUV) bias for lesions and normal tissues. The bias of SUV (SUV, SUV) for lesions and normal tissues are (-2.06±3.50%,-0.84±6.94%) and (-0.45±5.59%, N/A) in the estimated PET images, respectively. However, the RED-CNN achieved the best score in traditional metrics, such as structure similarity (SSIM), peak signal to noise ratio (PSNR) and normalized root mean square error (NRMSE). Correlation and profile analyses have successfully explained this phenomenon and further suggested that our method could effectively preserve edge and also SUV values than RED-CNN, 3D-cGAN and NLM with a slightly higher noise.

Copyright © 2020. Published by Elsevier B.V.