A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain.
Notice bibliographique
Résumé
Purpose Recent development in positron emission tomography (PET) dramatically increased the effective sensitivity by increasing the geometric coverage leading to total-body PET imaging. This encouraging breakthrough brings the hope of ultra-low dose PET imaging equivalent to transatlantic flight with the assistance of deep learning (DL)-based methods. However, conventional DL approaches face limitations in addressing the heterogeneous domain of PET imaging. This study aims to develop a wavelet-based DL method capable of restoring high-quality imaging from ultra-low-dose PET scans.Materials And Methods In contrast to conventional DL techniques that denoise images in the spatial domain, we introduce WaveNet, a novel approach that inputs wavelet-decomposed frequency components of PET imaging to perform denoising in the frequency domain. A dataset comprising total-body 18F -FDG PET images of 1447, acquired using total-body PET scanners including Biograph Vision Quadra (Siemens Healthineers) and uEXPLORER (United Imaging) in Bern and Shanghai, was utilized for developing and testing the proposed method. The quality of enhanced images was assessed using a customized scoring system, which incorporated weighted global physical metrics and local indices.Results Our proposed WaveNet consistently outperforms the baseline UNet model across all levels of dose reduction factors (DRF), with greater improvements observed as image quality decreases. Statistical analysis (p < 0.05) and visual inspection validated the superiority of WaveNet. Moreover, WaveNet demonstrated superior generalizability when applied to two cross-scanner datasets (p < 0.05).Conclusion WaveNet developed with total-body PET scanners may offer a computational-friendly and robust approach to recover image quality from ultra-low-dose PET imaging. Its adoption may enhance the reliability and clinical acceptance of DL-based dose reduction techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».