Supervised Diffusion-Model-Based PET Image Reconstruction

Probleemstelling

Positron Emissie Tomografie (PET) is een cruciale techniek in de nucleaire geneeskunde voor het kwantificeren van functionele processen. Het is echter wenselijk om de hoeveelheid radioactieve straling (de dosis) te verminderen om de blootstelling van patiënten te minimaliseren en de scantijden te verkorten. Het reconstrueren van PET-beelden uit beperkte tellingen is echter een slecht gesteld (ill-posed) invers probleem, veroorzaakt door de hoge variantie van Poisson-ruis in de meetdata.

Bestaande methoden gebruiken vaak onbeheerde (unsupervised) diffusion models (DM's) die zijn getraind op hoogwaardige beelden en vervolgens worden aangepast aan de meetdata. Hoewel deze methoden generaliserend goed werken (onafhankelijk van scannerconfiguratie of dosis), missen ze de mogelijkheid om expliciet de interactie te modelleren tussen de DM-prior en de ruwe, ruisige meetdata. Dit kan leiden tot een beperkte reconstructie-accuraatheid en een gebrek aan kwantitatieve betrouwbaarheid.

Methodologie: PET-DEFT

De auteurs stellen PET-DEFT (Doob's h-transform Efficient Fine Tuning) voor, een superviserend diffusion-model dat specifiek is ontworpen voor PET-reconstructie. De kern van de methode is een twee-staps training en een aangepaste architectuur:

1. Superviserend Kader: In tegenstelling tot eerdere onbeheerde benaderingen, traint PET-DEFT een conditionele score-netwerk ($s_\phi$) op gepaarde datasets van ruwe sinogrammen ($m$) en de bijbehorende grondwahrheid-beelden ($x$).
2. Pre-training en Fine-tuning:
   • Eerst wordt een onvoorwaardelijk score-netwerk ($s_\theta$) vooraf getraind op hoogwaardige, genormaliseerde PET-beelden.
   • Vervolgens wordt dit netwerk "bevroren" (frozen). Een nieuw conditioneel netwerk ($s_\phi$) wordt getraind om de residuen te voorspellen, gebruikmakend van de sinogramdata als conditie.
3. PET-specifieke Aanpassingen:
   • Normalisatie: Om de grote dynamische bereik van PET-beelden te hanteren, werken de diffusion-updates in een genormaliseerde ruimte. Een schalingsfactor ($c$) wordt berekend op basis van de MLEM-reconstructie (Maximum-Likelihood Expectation-Maximization) en de $\mu$-kaart, en wordt gebruikt om de data naar een kalibratie-ruimte te transformeren.
   • Niet-negativiteit: Omdat de Poisson-likelihood alleen gedefinieerd is voor niet-negatieve waarden, introduceert de auteurs een nieuw mechanisme. Ze passen een pReLU (positief ReLU) toe op de geschatte beelditeratie en transformeren dit terug naar een score-estimatie. Dit zorgt ervoor dat de beeldwaarden positief blijven tijdens de iteratieve updates, wat de nauwkeurigheid van de conditionele score-estimatie verbetert.
   • Data Fideliteit: De methode berekent een data-fideliteitsupdate als de gradiënt van de log-likelihood van de Poisson-verdeling, die wordt geïntegreerd in het netwerk.
4. 3D Uitbreiding: Voor volledige 3D-reconstructie wordt een efficiënte strategie gebruikt waarbij de zware fysica-operator ($A$) en de diffusion-modules worden ontkoppeld. Er wordt een 2.5D-netwerk getraind op dwarsdoorsneden (transverse slices) met informatie van drie opeenvolgende lagen, waarna de 3D-score wordt samengesteld door deze slice-outputs te concateneren.

Belangrijkste Bijdragen

• Eerste Supervised DM-aanpak: Dit is het eerste werk dat een superviserend diffusion-model toepast op PET-reconstructie.
• Specifieke Modificaties: De auteurs introduceren en valideren PET-specifieke aanpassingen (normalisatie en niet-negativiteit) die essentieel zijn voor het oplossen van invers problemen in de nucleaire geneeskunde.
• Posterior Sampling: In tegenstelling tot methoden die alleen de posterior-middellijn schatten, stelt deze methode in staat om meerdere steekproeven uit de posterior-verdeling te trekken, wat een betere onzekerheidschatting mogelijk maakt.
• Klinische Toepasbaarheid: De methode is succesvol toegepast op echte klinische 3D [18F]FDG hersen-PET-data.

Resultaten

De methode is getest op realistische hersen-PET-fantomen en echte klinische data over verschillende dosissen (van 0.1x tot 10.0x de standaard dosis).

• Kwantitatieve Prestaties: PET-DEFT presteert gelijkwaardig aan of beter dan de state-of-the-art diep-lerende methoden (zoals FBSEMnet) en overtreft zowel onbeheerde DM-methoden (PET-DDS, PET-LiSch) als modelgebaseerde methoden (MLEM, MAP-EM) op maatstaven zoals NRMSE (Normalized Root Mean Square Error) en SSIM (Structural Similarity Index Measure).
• Kwaliteit van Beeld: Bij lage dosissen behoudt PET-DEFT fijnere details dan FBSEMnet (dat neigt naar blokkerige beelden door L2-verlies) en levert het visueel sterkere reconstructies op.
• Onzekerheidsschatting: De steekproeven uit het supervised model tonen een betere adherentie aan de "ware" manifold van de grondwahrheid-beelden vergeleken met onbeheerde methoden, wat wijst op een nauwkeurigere onzekerheidsmodellering.
• Ablatie Studies:
  • De normalisatiestap is cruciaal voor de prestaties.
  • Het niet-negativiteitsmodule stelt het model in staat om met minder diffusion-stappen (5 in plaats van 8) dezelfde piekaccuraatheid te bereiken.
  • Het model is robuust tegen een vermindering van het aantal parameters of trainingsparen.

Significantie

Dit werk markeert een belangrijke verschuiving in PET-reconstructie door de voordelen van generatieve diffusion-modellen te combineren met supervisie en expliciete modellering van de meetdata-interactie. Door de integratie van Poisson-likelihood constraints en niet-negativiteit, overwint de methode de beperkingen van eerdere generatieve benaderingen. De mogelijkheid om niet alleen een hoogwaardig beeld te genereren, maar ook de posterior-verdeling te sample, biedt klinici een krachtig instrument om de betrouwbaarheid van beeldstructuren te kwantificeren. De efficiënte 2.5D-trainingstrategie maakt de toepassing op volledige 3D-clinische data haalbaar, wat de weg vrijmaakt voor bredere klinische adoptie van diffusion-based reconstructie.