FlowPET: Physics-Informed Symplectic Flow Matching for Low-Count PET Reconstruction

Technische Samenvatting: FlowPET: Physics-Informed Symplectic Flow Matching voor Low-Count PET-reconstructie

Probleemstelling
De reconstructie van Low-count Positron Emissie Tomografie (PET) staat voor een kritieke uitdaging: de getrouwe terugwinning van zwakke, diagnostisch vitale laesiesignalen te midden van hoge ruisniveaus. Huidige deep learning-paradigma's kampen met een fundamentele geometrische beperking. Deterministische benaderingen (bijv. regressie-gebaseerde CNN's) lijden aan "regressie naar het gemiddelde", wat resulteert in het overmatig afvlakken van hoogfrequente texturen en het onderdrukken van subtiele laesies. Daarentegen vertrouwen stochastische generatieve modellen (bijv. Diffusiemodellen, SDE's) op dissipatieve dynamica. Deze modellen induceren een strikt negatieve divergentie ($\nabla \cdot v < 0$) in de faseruimte, wat een continue contractie van het volume veroorzaakt. In low-count regimes is deze contractie ononderscheidend; het slaagt er niet in om onderscheid te maken tussen stochastische ruis en ijle pathologische kenmerken, wat leidt tot de numerieke extinctie of het "wegwassen" (wash-out) van zwakke laesiesignalen voordat coherente structuren kunnen vormen.

Methodologie
De auteurs stellen FlowPET voor, een physics-informed framework dat PET-reconstructie herformuleert als een volumebehoudend transportprobleem binnen een Symplectische Faseruimte.

1. Symplectische Faseruimte Lift:
   In plaats van te opereren op de standaard beeld-manifold, lift FlowPET de reconstructie naar een uitgebreide faseruimte $Z = X \times P$, waarbij $X$ de beeldpositie vertegenwoordigt en $P$ een hulpruimte voor momentum is. De dynamica wordt beheerst door een Scheidbaar Hamiltoniaans Systeem:
   $$H_\theta(t, x, p; y) = U_\psi(t, x; y) + K_\phi(t, p; y)$$
   waarbij $U_\psi$ een potentiaalterm is (afhankelijk van alleen positie) en $K_\phi$ een kinetische term (afhankelijk van alleen momentum). Door de Stelling van Liouville garandeert deze structuur een divergentievrij vectorveld ($\nabla \cdot v = 0$), wat ervoor zorgt dat het volume in de faseruimte bezet door zwakke signalen invariant blijft en niet kunstmatig wordt gecontracteerd.

2. Physics-Informed Conjugeerde Grenzen:
   Om de slecht gestelde aard van het inverse probleem aan te pakken zonder te vertrouwen op contractie voor denoisings, introduceert FlowPET een Range-Null Space Decompositie strategie voor de randvoorwaarden van de flow:

   • Range-Space Momentum ($p_0$): Bij de bronrand wordt het momentum geïnitialiseerd om de gradiënt van de dataconsistentie te coderen (de "herstellende kracht"). Dit trekt het traject naar het manifold van oplossingen die consistent zijn met de gemeten sinogram.
   • Null-Space Momentum ($p_1$): Bij de doelrand wordt stochastische onzekerheid strikt geïnjecteerd in de orthogonale nulruimte van de PET-operator. Dit beperkt de generatie van hoogfrequente texturen tot de niet-geobserveerde subspace, waardoor het ontstaan van artefacten die de fysieke beperkingen schenden wordt voorkomen.

3. Symplectic Flow Matching & Inferentie:
   Het model wordt getraind via Symplectic Flow Matching (SFM), waarbij de regressieverlies wordt geminimaliseerd tussen het geleerde vectorveld en het doel-snelheidsveld gedefinieerd door de lineaire interpolatie van de randtoestanden. Voor inferentie gebruiken de auteurs een Symplectic Leapfrog (Störmer–Verlet) integrator. In tegenstelling tot standaard solvers (bijv. Runge-Kutta) die numerieke dissipatie introduceren, behoudt de Leapfrog-integrator de eenheidsJacobiaan-determinant, wat exacte volumebehouding en verliesloze transport van de geïnjecteerde null-space onzekerheid naar de uiteindelijke reconstructie garandeert.

Belangrijkste Bijdragen

• Symplectisch Generatief Framework: FlowPET maakt gebruik van scheidbare Hamiltoniaanse dynamica om divergentievrij transport te garanderen, wat theoretisch de "signaal wash-out" voorkomt die inherent is aan dissipatieve diffusiemodellen door de invariantie van het faseruimtevolume te handhaven.
• Physics-Informed Orthogonaliteit: De introductie van een Range-Null space decompositie strategie dwingt dataconsistentie strikt af in de range-ruimte, terwijl stochastische exploratie wordt beperkt tot de null-ruimte, wat de trade-off tussen getrouwheid en diversiteit oplost.
• Structuurbehoudende Inferentie: De implementatie van een symplectische Leapfrog-integrator demonstreert dat strikte geometrische conservering superieure preservatie van low-contrast laesies oplevert vergeleken met state-of-the-art baselines.

Experimentele Resultaten
FlowPET werd geëvalueerd op drie datasets: BrainWeb (20% count), een in-house pediatrisch dataset (1% count), en UDPET Brain (1% count).

• Kwantitatieve Prestaties: FlowPET behaalde state-of-the-art resultaten over alle metrieken (SSIM, PSNR, RMSE). Merkwaardig genoeg overtrof FlowPET zowel deterministische methoden als stochastische baselines (bijv. IR-SDE, DREAM, FourierPET) in SSIM en PSNR, terwijl het een lagere RMSE behield, wat wijst op superieure textuurherwinning zonder ruis-artefacten.
• Kwalitatieve Analyse: Visuele vergelijkingen op pediatrische scans toonden aan dat dissipatieve baselines "signaal wash-out" vertoonden in gebieden met zwakke laesies. FlowPET slaagde erin deze low-contrast structuren te herstellen, waarbij het de structurele getrouwheid het dichtst bij de full-count referentie vertoonde.
• Signaalherwinning Analyse: Een trajectanalyse die de Standard Uptake Value (SUV) ratio's volgde, toonde aan dat terwijl dissipatieve solvers voor voortijdige signaalverzadiging en -instorting zorgden, FlowPET een aanhoudende, monotone herwinning naar de grondwaarheid vertoonde, wat de bescherming van de laesiesignaalmassa tegen numerieke extinctie bevestigt.

Betekenis
Het artikel stelt dat FlowPET een robuuste geometrische waarborg biedt voor medische inverse problemen in omgevingen met hoge ruis. Door over te stappen van dissipatieve contractie naar conservatieve symplectische transport, adresseert de methode de specifieke faalmodus van huidige generatieve modellen waarbij zwakke maar cruciale diagnostische signalen verloren gaan. Het werk vestigt de stelling dat het opleggen van Hamiltonian structurele beperkingen niet slechts een hulpmiddel is voor fysieke simulatie, maar een noodzakelijk mechanisme voor informatieconservering in slecht gestelde inverse problemen, waarbij wordt gewaarborgd dat waarschijnlijkheidsmassa wordt getransporteerd in plaats van geëxtingueerd.