基于深度学习的超低计数全身PET图像去噪方法

摘要

目的 使用深度学习算法改善全身低计数正电子发射计算机断层成像（PET）的重建图像质量，探讨提出方法对不同噪声水平PET图像的去噪泛化性。方法 使用MICCAI 2022 UDPET挑战赛数据集，提出分层向量量化变分自编码器（HVQ-VAE）算法对不同剂量衰减因子的低计数PET图像去噪。将高斯滤波作为基准模型，结合标准均方根误差、结构相似性、峰值信噪比3个定量指标与视觉图像结合评估算法的去噪性能。结果 当低计数PET图像的剂量衰减因子为20时，经高斯滤波后图像质量整体提升13%，经HVQ-VAE模型去噪后图像质量总体提升20%；当低计数PET图像的剂量衰减因子为50时，高斯滤波后图像质量整体提升11%,HVQ-VAE模型去噪后图像质量总体提升24%；当低计数PET图像的剂量衰减因子为100时，高斯滤波后图像质量整体提升12%,HVQ-VAE模型去噪后图像质量总体提升36%。结论 所提方法HVQ-VAE模型对不同噪声水平的全身低计数PET图像均有较好去噪效果，为降低患者辐射暴露风险同时保证图像质量提供了新的可能。

关键词

正电子发射断层成像 / 图像去噪 / 低计数PET图像 / 全身PET图像 / HVQ-VAE