Enhancing the Image Quality via Tra

Enhancing the Image Quality via Transferred Deep Residual Learning of Coarse PET SinogramsIncreasing the image quality of positron emission tomography (PET) is an essential topic in the PET community. For instance, thin-pixelated crystals have been used to provide high spatial resolution images but at the cost of sensitivity and manufacture expense. In this paper, we proposed an approach to enhance the PET image resolution and noise property for PET scanners with large pixelated crystals. To address the problem of coarse blurred sinograms with large parallax errors associated with large crystals, we developed a data-driven, single-image super-resolution (SISR) method for sinograms, based on the novel deep residual convolutional neural network (CNN). Unlike the CNN-based SISR on natural images, periodically padded sinogram data and dedicated network architecture were used to make it more efficient for PET imaging. Moreover, we included the transfer learning scheme in the approach to process cases with poor labeling and small training data set. The approach was validated via analytically simulated data (with and without noise), Monte Carlo simulated data, and pre-clinical data. Using the proposed method, we could achieve comparable image resolution and better noise property with large crystals of bin sizes 4 × of thin crystals with a bin size from 1 × 1 mm2 to 1.6 × 1.6 mm2. Our approach uses external PET data as the prior knowledge for training and does not require additional information during inference. Meanwhile, the method can be added into the normal PET imaging framework seamlessly, thus potentially finds its application in designing low-cost high-performance PET systems.

ผลลัพธ์ (ไทย) 1:

การปรับปรุงคุณภาพของภาพผ่านการเรียนรู้ที่เหลือในเชิงลึกที่ถ่ายโอนของซิโนแกรม PET แบบหยาบการเพิ่มคุณภาพของภาพเอกซเรย์ปล่อยโพซิตรอน (PET) เป็นหัวข้อสำคัญในชุมชน PET ตัวอย่างเช่น มีการใช้คริสตัลที่มีพิกเซลบางเพื่อให้ภาพที่มีความละเอียดเชิงพื้นที่สูง แต่ต้องใช้ค่าความไวและค่าใช้จ่ายในการผลิต ในบทความนี้ เราได้เสนอแนวทางในการปรับปรุงความละเอียดของภาพ PET และคุณสมบัติด้านสัญญาณรบกวนสำหรับเครื่องสแกน PET ที่มีผลึกพิกเซลขนาดใหญ่ เพื่อแก้ไขปัญหาไซโนแกรมที่เบลอหยาบซึ่งมีข้อผิดพลาดพารัลแลกซ์ขนาดใหญ่ที่เกี่ยวข้องกับผลึกขนาดใหญ่ เราได้พัฒนาวิธีซูเปอร์ความละเอียดภาพเดี่ยว (SISR) ที่ขับเคลื่อนด้วยข้อมูลสำหรับไซโนแกรม โดยอิงจากโครงข่ายประสาทเทียมแบบ deep residual convolutional neural network (CNN) ต่างจาก SISR ที่ใช้ CNN ในภาพที่เป็นธรรมชาติ มีการใช้ข้อมูลซิโนแกรมที่มีการบุนวมเป็นระยะและสถาปัตยกรรมเครือข่ายเฉพาะเพื่อให้การถ่ายภาพ PET มีประสิทธิภาพมากขึ้น นอกจากนี้ เรายังรวมแผนการถ่ายโอนการเรียนรู้ไว้ในแนวทางในการประมวลผลกรณีที่มีการติดป้ายกำกับที่ไม่ดีและชุดข้อมูลการฝึกอบรมขนาดเล็ก วิธีการได้รับการตรวจสอบความถูกต้องผ่านข้อมูลจำลองเชิงวิเคราะห์ (ทั้งที่มีและไม่มีสัญญาณรบกวน) ข้อมูลจำลองมอนติคาร์โล และข้อมูลก่อนคลินิก เมื่อใช้วิธีการที่นำเสนอ เราสามารถบรรลุความละเอียดของภาพที่เทียบเคียงได้และคุณสมบัติด้านสัญญาณรบกวนที่ดีขึ้นด้วยผลึกขนาดใหญ่ที่มีขนาดถัง 4 × ของผลึกบางที่มีขนาดถังตั้งแต่ 1 × 1 มม.2 ถึง 1.6 × 1.6 มม.2 แนวทางของเราใช้ข้อมูล PET ภายนอกเป็นความรู้ก่อนหน้าสำหรับการฝึกอบรม และไม่ต้องการข้อมูลเพิ่มเติมในระหว่างการอนุมาน ในขณะเดียวกัน วิธีนี้สามารถเพิ่มลงในกรอบงานการถ่ายภาพ PET ปกติได้อย่างราบรื่น ดังนั้นจึงอาจพบการประยุกต์ใช้ในการออกแบบระบบ PET ประสิทธิภาพสูงราคาประหยัด

ผลลัพธ์ (ไทย) 2:

ปรับปรุงคุณภาพของภาพด้วยการเรียนรู้ความตกค้างลึกของ Sinogram PET หยาบ
การปรับปรุงคุณภาพของภาพในการตรวจเอกซเรย์การปล่อยโพซิตรอน (POSITON Emission Tomography หรือ PET) ถือเป็นโจทย์สำคัญของวงการ PET ตัวอย่างเช่น ผลึกพิกเซลบาง ๆ ถูกใช้เพื่อให้ภาพที่มีความละเอียดเชิงพื้นที่สูง แต่ค่าใช้จ่ายคือความไวและค่าใช้จ่ายในการผลิต ในบทความนี้เราเสนอวิธีการปรับปรุงความละเอียดของภาพ PET และคุณสมบัติเสียงรบกวนของเครื่องสแกน PET ด้วยคริสตัลพิกเซลขนาดใหญ่ เพื่อแก้ไขปัญหากราฟไซน์ที่คลุมเครืออย่างหยาบ ๆ ที่มีข้อผิดพลาดทางสายตาขนาดใหญ่ที่เกี่ยวข้องกับผลึกขนาดใหญ่ เราได้พัฒนาวิธีการความละเอียดของภาพเดียว (SISR) ที่ขับเคลื่อนด้วยข้อมูลกราฟไซน์ของเครือข่ายประสาท convolution ของความแตกต่างเชิงลึกแบบใหม่ (CNN) แตกต่างจาก SISR ซึ่งเป็นภาพธรรมชาติจาก CNN โดยใช้ข้อมูลแผนภูมิไซน์ที่เต็มไปด้วยข้อมูลเป็นระยะและสถาปัตยกรรมเครือข่ายส่วนตัวเพื่อให้การถ่ายภาพ PET มีประสิทธิภาพมากขึ้น นอกจากนี้ ยังได้บรรจุแผนการเรียนรู้การย้ายถิ่นฐานไว้ในแนวทางการประชาสัมพันธ์

ผลลัพธ์ (ไทย) 3:

การเรียนรู้ไซน์หยาบของPETโดยการถ่ายโอนความลึกตกค้างเพื่อปรับปรุงคุณภาพของภาพ
การปรับปรุงคุณภาพของภาพของการตรวจเอกซเรย์อิเล็กตรอนโพซิตรอน( PET )เป็นประเด็นสําคัญในด้านPET ตัวอย่างเช่นคริสตัลพิกเซลบางถูกนํามาใช้เพื่อให้ภาพความละเอียดเชิงพื้นที่สูงแต่ต้องเสียค่าใช้จ่ายด้านความไวและต้นทุนการผลิต ในบทความนี้เราเสนอวิธีการปรับปรุงความละเอียดและประสิทธิภาพการทํางานของภาพPETด้วยเครื่องสแกนเนอร์PETและผลึกพิกเซลขนาดใหญ่ เพื่อแก้ปัญหาของซายน์ฟัซซี่ที่ขรุขระที่มีความคลาดเคลื่อนขนาดใหญ่ที่เกี่ยวข้องกับผลึกขนาดใหญ่เราได้พัฒนาวิธีการSISR ( SISR )ที่ขับเคลื่อนด้วยข้อมูลโดยใช้เครือข่ายประสาทเทียมแบบลึกแบบใหม่( CNN ) แตกต่างจากภาพธรรมชาติSISRที่ใช้CNNข้อมูลไซน์ที่เติมเป็นระยะๆและสถาปัตยกรรมเครือข่ายเฉพาะจะใช้เพื่อให้มีประสิทธิภาพมากขึ้นสําหรับการถ่ายภาพแบบPET นอกจากนี้เรายังได้เพิ่มกลไกการเรียนรู้การโยกย้ายไปยังวิธีการเพื่อจัดการกับกรณีที่มีการติดแท็กที่ไม่ดีและชุดข้อมูลการฝึกอบรมขนาดเล็ก วิธีนี้ได้รับการยืนยันโดยการวิเคราะห์ข้อมูลจําลอง(มีและไม่มีเสียงรบกวน)ข้อมูลการจําลองแบบมอนติคาร์โลและข้อมูลก่อนคลินิก โดยใช้วิธีการที่เสนอเราสามารถบรรลุความละเอียดของภาพที่เทียบเท่าและลักษณะเสียงรบกวนที่ดีขึ้นโดยใช้คริสตัลขนาดใหญ่ขนาด4×และคริสตัลบางที่มีขนาดคลังตั้งแต่1×1มม. 2ถึง1.6×1.6มม. 2 วิธีการของเราใช้ข้อมูลPETภายนอกเป็นความรู้ก่อนการฝึกอบรมและไม่จําเป็นต้องมีข้อมูลเพิ่มเติมในกระบวนการอนุมาน ในเวลาเดียวกันวิธีนี้สามารถเพิ่มลงในกรอบการถ่ายภาพแบบธรรมดาได้อย่างราบรื่นดังนั้นจึงมีศักยภาพในการออกแบบระบบPETที่มีต้นทุนต่ําและมีประสิทธิภาพสูง