Joint Reconstruction of Activity and Attenuation in PET by Diffusion Posterior Sampling in Wavelet Coefficient Space

Resumo Técnico: Reconstrução Conjunta de Atividade e Atenuação em PET por Amostragem de Posterior de Difusão no Espaço de Coeficientes de Wavelet

Definição do Problema
A Tomografia por Emissão de Pósitrons (PET) requer correção de atenuação (AC) para quantificar com precisão a atividade do radiotraçador. Fluxos de trabalho convencionais dependem de exames de Tomografia Computadorizada (CT) ou Ressonância Magnética (MR) co-registrados para gerar mapas de atenuação. No entanto, esses exames auxiliares aumentam a exposição à radiação, complicam os fluxos de trabalho e introduzem artefatos de desalinhamento. Embora a Reconstrução Conjunta de Atividade e Atenuação (JRAA) utilizando apenas dados de emissão ofereça uma solução, os métodos existentes enfrentam limitações significativas. Abordagens tradicionais como o Máximo Verossimilhança de Atividade e Atenuação (MLAA) sofrem de crosstalk entre atividade e atenuação quando a resolução de Tempo de Voo (TOF) é insuficiente e falham totalmente sem informações de TOF. Além disso, métodos de aprendizado profundo (DL) para AC dependem de mapeamentos diretos imagem-para-imagem que carecem de consistência com os dados de emissão medidos, ou de métodos indiretos que dependem de reconstruções intermediárias ruidosas, tornando-os sensíveis a casos fora da distribuição (ex: anatomia incomum ou níveis de contagem variáveis).

Metodologia
Os autores propõem o JRAA-DPS, um framework que realiza a reconstrução conjunta de atividade ($\lambda$) e atenuação ($\mu$) exclusivamente a partir de dados de emissão usando Amostragem de Posterior de Difusão (DPS) guiada por um Modelo de Difusão de Wavelet (WDM).

1. Modelo de Difusão de Wavelet (WDM): Para lidar com volumes 3D de grande escala de forma eficiente, os autores utilizam um WDM treinado em pares de imagens de atividade e atenuação. Em vez de operar no espaço da imagem, o modelo aprende um prior no espaço dos coeficientes de wavelet. Uma Transformada de Wavelet Discreta (DWT) ortogonal decompõe os pares de imagens 3D em oito canais de coeficientes de wavelet, reduzindo a complexidade computacional enquanto preserva a informação estrutural. O modelo é treinado usando um objetivo de Modelo Probabilístico de Difusão de Denoising (DDPM) para aprender a distribuição de probabilidade conjunta $p(\lambda, \mu)$.
2. Amostragem de Posterior de Difusão (DPS): Durante a reconstrução, o WDM treinado atua como um prior em vez de um preditor direto. O algoritmo amostra da distribuição posterior $p(\lambda, \mu | y)$, onde $y$ representa os dados de emissão medidos. Em cada passo de difusão, o algoritmo:
   • Gera uma estimativa ruidosa baseada no prior aprendido.
   • Atualiza as variáveis latentes de atividade e atenuação separadamente usando gradientes do log-verossimilhança dos dados medidos (consistência de dados).
   • Incorpora explicitamente o modelo de propagação (forward model), incluindo geometria do scanner, resolução TOF, duração do escaneamento e características de ruído, garantindo que a reconstrução permaneça consistente com as configurações específicas de aquisição sem a necessidade de retreinar o modelo.
3. Estimativa Conjunta de Espalhamento (Scatter): O framework integra uma estratégia de estimativa conjunta de espalhamento onde os parâmetros de scatter são refinados progressivamente durante o processo de amostragem via ascensão de gradiente, eliminando a necessidade de um mapa de atenuação pré-estimado para computar o espalhamento.

Principais Contribuições

• Novo Framework JRAA: Introdução de um método de JRAA baseado em Modelos de Difusão (JRAA-DPS) que utiliza um prior de difusão aprendido de pares atividade-atenuação para reconstruir ambos os mapas a partir de dados de emissão isolados.
• Desacoplamento de Prior e Aquisição: O prior de difusão é independente do modelo de aquisição. Um único modelo treinado pode ser aplicado em diversos cenários (diferentes durações de escaneamento, resoluções TOF e geometrias de scanner), desde que o modelo de propagação seja adaptado aos dados específicos, removendo a necessidade de retreinamento.
• Escalabilidade via Wavelets: O uso de um WDM permite o processamento de grandes volumes 3D, superando as barreiras computacionais tipicamente associadas a modelos de difusão 3D.
• Integração de Espalhamento Conjunto: A capacidade de realizar a estimativa conjunta de scatter dentro do loop de DPS, reduzindo ainda mais a dependência de priors anatômicos externos.

Resultados Experimentais
O método foi avaliado tanto em dados simulados (Experimento 1) quanto em dados clínicos reais de um scanner Siemens Biograph mMR (Experimento 2).

• Dados Simulados: O JRAA-DPS superou tanto o MLAA quanto o MLAA-UNet (um MLAA pós-processado por U-Net) em termos de Razão Sinal-Ruído de Pico (PSência PSNR), Índice de Similaridade Estrutural (SSIM) e Erro Quadrático Médio Normalizado (NRMSE) para a reconstrução de atividade em configurações de Alta Contagem (HC) e Baixa Contagem (LC).
  • TOF vs. Não-TOF: Com informações de TOF, o JRAA-DPS produziu reconstruções de alta qualidade e sem ruído. Em configurações não-TOF, o desempenho degradou, particularmente em condições LC, embora ainda tenha superado o MLAA e o MLAA-UNet na recuperação de atividade.
  • Reconstrução de Atenuação: Em configurações LC, o MLAA-UNet produziu mapas de atenuação mais suaves com melhores métricas, enquanto o JRAA-DPS introduziu alguns detalhes errôneos. No entanto, esses detalhes não comprometeram significativamente a qualidade da imagem de atividade reconstruída.
  • Recuperação de Lesão: O JRAA-DPS demonstrou recuperação robusta da intensidade e contraste da lesão, particularmente em configurações LC com ajuste adequado de hiperparâmetros.
• Dados Clínicos: O método reconstruiu com sucesso dados clínicos não-TOF, recuperando estruturas significativas como tumores. Embora o MLAA-UNet tenha alcançado métricas de qualidade de imagem superiores (parcialmente devido a condições de comparação favoráveis usando o mesmo algoritmo OSEM e estimativas de scatter), o JRAA-DPS reconstruiu tanto a atividade quanto a atenuação sem depender de mapas de atenuação derivados de MR.
• Limitações Observadas:
  • Subestimação de Espalhamento (Scatter): Em dados clínicos, a estimativa conjunta de scatter tendeu a subestimar o espalhamento, levando à superestimação da atividade em regiões de baixa captação (ex: fígado).
  • Alucinações: Como ocorre com modelos generativos, o método produziu "alucinações" nos mapas de atenuação (ex: falta de detalhes ósseos, estruturas pulmonares incoerentes), embora estas tenham tido impacto mínimo na reconstrução da atividade.
  • Custo Computacional: A reconstrução é computacionalmente cara, levando aproximadamente 1 hora e 20 minutos para dados clínicos, comparado a ~20 minutos para métodos baseados em MLAA.

Significância e Alegações
O artigo posiciona o JRAA-DPS como um passo significativo em direção ao PET autônomo (stand-alone), visando reduzir a dependência de modalidades anatômicas (CT/MR) enquanto mantém a precisão da quantificação. Os autores afirmam que, ao modelar explicitamente os fatores de aquisição no modelo de propagação, o método oferece robustez a diferentes níveis de contagem e à presença ou ausência de informações de TOF sem exigir retreinamento.

Os autores são modestos quanto ao estado atual do método, reconhecendo que:

1. Limitações de LC Não-TOF: A qualidade da reconstrução em cenários de baixa contagem e não-TOF é significativamente degradada, limitando a eficácia prática nesses cenários específicos.
2. Estimativa de Espalhamento: A atual estratégia de estimativa conjunta de scatter é imperfeita e requer refinamento para evitar a superestimação da atividade.
3. Artefatos Generativos: O potencial para alucinações de características nos mapas de atenuação permanece uma limitação que requer validação clínica.
4. Velocidade: O tempo de reconstrução é atualmente uma barreira para a adoção clínica, embora os autores sugiram que métodos de amostragem acelerados (ex: DDIM) possam mitigar isso.

Em última análise, o trabalho demonstra a viabilidade do uso de priors de difusão para reconstrução de PET sem CT, oferecendo um caminho para a redução da dose de radiação e melhoria da eficiência do fluxo de trabalho, desde que a estimativa de scatter e a velocidade de amostragem sejam otimizadas.