Rethinking Cross-Dose PET Denoising: Mitigating Averaging Effects via Residual Noise Learning

Probleemstelling

Positron Emissie Tomografie (PET) is cruciaal voor de oncologische diagnose, maar de beeldkwaliteit wordt beperkt door het aantal fotonen, wat afhangt van de toegediende dosis en de opnametijd. Het verlagen van de dosis is wenselijk om stralingsblootstelling te minimaliseren, maar dit leidt tot ernstig Poisson-ruis, contrastverlies en kwantificatiebias.

Hoewel diep leren (Deep Learning) succesvol is toegepast voor ruisreductie bij lage-dosis PET (LDPET), ondervinden bestaande modellen een kritieke beperking: generalisatieproblemen over verschillende dosisniveaus.

• Modellen die zijn getraind op één specifiek ruisniveau presteren vaak slecht op andere dosiscondities.
• De aanpak van een "one-size-fits-all" model (één model voor alle dosisniveaus) lijkt een oplossing, maar leidt tot een gemiddelde leer-effect (averaging effect). Het model leert een gemiddelde representatie van de ruisverdeling over alle niveaus, wat resulteert in oververminderde beelden, vervaging van fijne structuren en verminderde prestaties.
• Bestaande geavanceerde methoden (zoals UNN of CADG) zijn ofwel computatiever intensief (vereisen meerdere sub-netwerken) of vertrouwen op domein-invariantie die in de klinische praktijk niet altijd geldt.

Methodologie

De auteurs stellen een uniek Residual Noise Learning-kader voor dat het probleem benadert door niet de volledige-dosis (FDPET) afbeelding direct te voorspellen, maar de ruiscomponent zelf te schatten.

1. Residulere leerbenadering:

   • In plaats van $f_\theta(x) \approx y$ (waarbij $x$ de lage-dosis en $y$ de hoge-dosis is), leert het netwerk de ruis $n = y - x$.
   • De uiteindelijke schatting wordt dan berekend als $y_{pred} = x + f_\theta(x)$.
   • Dit verandert de trainingsdoelstelling van het minimaliseren van een verwachting over heterogene verdelingen naar het schatten van de ruis die strikt conditioneel is op het specifieke lage-dosisbeeld.

2. Architecturale aanpassingen:

   • Er wordt een U-Net-architectuur gebruikt.
   • Activeringsfuncties: Omdat de residuale ruis ($y - x$) negatieve waarden kan hebben, wordt de standaard ReLU-activatie (die negatieve waarden onderdrukt) vervangen door LeakyReLU. Dit zorgt ervoor dat het netwerk zowel positieve als negatieve ruiscomponenten kan modelleren.
   • Output-beperking: Om te voorkomen dat de uiteindelijke PET-waarden negatief worden (wat fysisch onmogelijk is), wordt een LeakyReLU met een zeer flauwe helling (0.01) toegepast op de uiteindelijke som ($x + \text{ruis}$). Tijdens inferentie wordt dit teruggezet naar standaard ReLU om strikt niet-negatieve waarden te garanderen.

3. Verliesfunctie:

   • Het model wordt getraind met een combinatie van Mean Absolute Error (MAE) en Structural Similarity Index (SSIM).
   • De totale loss is: $L = L_{MAE} + \lambda L_{SSIM}$ (met $\lambda = 0.5$). SSIM zorgt voor het behoud van structurele details en contrast.

Kernbijdragen

• Analyse van het "Averaging Effect": De auteurs tonen wiskundig aan dat standaard cross-dose training het model dwingt om een verwachte verliesfunctie te minimaliseren over verschillende ruisverdelingen, wat leidt tot suboptimale, gemiddelde uitkomsten.
• Residual Noise Learning Framework: Een nieuwe aanpak die de focus legt op het leren van de ruisverdeling in plaats van het beeldherstel, wat leidt tot snellere convergentie en betere stabiliteit.
• Efficiëntie en Generalisatie: Het voorgestelde model vereist geen pre-training, geen gewogen sommen van meerdere sub-netwerken (zoals bij UNN) en geen expliciete dosisinformatie als invoer tijdens de inferentie. Het is dus lichter en flexibeler dan bestaande geavanceerde methoden.

Resultaten

De methode is gevalideerd op twee grote, multi-centrum datasets (Universiteit van Bern en Shanghai Ruijin Hospital) met verschillende scanners en dosisniveaus (van 1% tot 50% van de standaard dosis).

• Kwantitatieve prestaties:
  • Het voorgestelde model overtrof consequent "one-size-fits-all" modellen, individuele dosis-specifieke U-Nets en dosis-geëmbedeerde benaderingen.
  • Het boekte significante verbeteringen in PSNR (Peak Signal-to-Noise Ratio), SSIM en RMSE (Root Mean Square Error) over bijna alle dosisniveaus.
  • Opmerkelijk is dat het model zelfs op 50% dosis de ruwe lage-dosis beelden (LDPET) in PSNR versloeg, wat aangeeft dat het effectief ruis verwijdert zonder details te verliezen.
• Kwalitatieve prestaties:
  • Visuele vergelijkingen tonen aan dat individuele U-Nets vaak "over-smoothing" vertonen (een wasachtig uiterlijk), terwijl het voorgestelde model scherpere randen en beter behoud van interne structuren toont.
  • Het model toont minder extreme intensiteitsfluctuaties (artefacten) bij zeer lage doses (bijv. 2%) in vergelijking met de UNN-benchmark.
• Stabiliteit:
  • Het model toont een lagere variantie in prestaties tussen verschillende patiënten, wat wijst op een hogere robuustheid, vooral bij intermediaire dosisniveaus waar andere modellen instabiel worden.

Betekenis en Conclusie

Dit onderzoek biedt een fundamentele verschuiving in hoe cross-dose PET-denoising wordt aangepakt. Door het probleem te herformuleren van "beeldherstel" naar "ruisleren" en het gebruik van LeakyReLU om negatieve ruiscomponenten te modelleren, wordt het "averaging effect" effectief tegengegaan.

De betekenis ligt in de praktische toepasbaarheid: de methode vereist geen complexe multi-model architecturen of extra metadata (dosisinformatie) tijdens het gebruik, maar levert toch superieure en robuuste resultaten op. Dit maakt het een veelbelovende oplossing voor klinische toepassingen waar patiënten variabele dosisniveaus kunnen ontvangen, zonder dat de beeldkwaliteit of kwantitatieve nauwkeurigheid in het geding komt.