Ultra-low Dose PET2022——超低剂量PET成像挑战
今天将分享超低剂量PET成像完整实现版本,为了方便大家学习理解整个流程,将整个流程步骤进行了整理,并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
一、Ultra-low Dose PET2022介绍
正电子发射断层扫描 (PET) 是肿瘤学、神经病学和心脏病学临床常规程序中的主要成像方式之一。PET广泛应用的关键瓶颈之一是电离辐射剂量。随着长轴视场 (FOV) 全身 PET 的出现,它可以实现以前无法实现的图像质量和量化水平,同时减少放射性药物剂量。最重要的是,像深度学习这样的计算技术可以进一步提高低剂量 PET 成像的图像质量。
二、Ultra-low Dose PET2022任务
这项挑战旨在开发深度学习算法,该算法能够从这种超低剂量 PET 扫描仪上的低剂量扫描中恢复高质量成像,并希望将辐射暴露尽量减少。
指标:归一化均方根误差 (NRMSE)、峰值信噪比 (PSNR) 和结构相似性指数测量 (SSIM) 作为全局物理指标。在目标器官(肝、肾和肺)内描绘了感兴趣的球体体积 (VOI)。临床成像参数的百分比误差,包括 SUVmean、SUVmax、总病灶代谢 (TLM),以及最相关的影像组学特征(GLRLM:高灰度运行重点,GLSZM:区域百分比,GLCM:联合平均,一阶:RootMeanSquared,一阶:90Percentile,一阶:中位数),以及在恢复图像到全剂量图像之间计算局部 PSNR。
三、Ultra-low Dose PET2022数据集
该数据集包含 550 个全身 PET 成像对象,从 Siemens Biograph Vision Quadra (n=250) 和 United Imaging uEXPLORER (n=300) 获得。包括四种不同的示踪剂 PET 成像: 18 F-FDG 、 18 F-PSMA、 68 Ga-DOTA-TOC、 68 Ga-DOTA-TATE。所有数据均以列表模式采集,允许重新绑定数据,以实现从不同采集时间进行等效的低剂量重建。数据集的每个主题包括2, 4、10、20、50 和 100 的低剂量图像剂量减少因子,以及全剂量图像。
训练集:450 名受试者(18 F-FDG 、 18 F-PSMA、 68 Ga-DOTA-TOC、 68 Ga-DOTA-TATE,用 Siemens Biograph Vision Quadra、United Imaging uEXPLORER 扫描)。
测试集:提供 50 名受试者(18 F-FDG 、 18 F-PSMA、 68 Ga-DOTA-TOC、 68 Ga-DOTA-TATE,使用 Siemens Biograph Vision Quadra、United Imaging uEXPLORER 扫描)+ 50 名使用 Siemens Biograph Vision 扫描的受试者Quadra 处于超高灵敏度模式。
四、技术路线
一共有6种低剂量PET重建任务:2,4,10,20,50,100。这六个任务都是采用同样的网络模型来重建PET图像的。
1、分析数据发现有些数据存在背景干扰区域,对于重建任务是干扰,需要去除,提取人体ROI区域。读取全剂量的图像,按照固定阈值范围(50,最大像素值)进行二值化分割,再采用形态学开操作(核大小为5),在使用最大连通域方法得到boundingbox,然后分别从2,4,10,20,50,100,full中提取ROI图像。
2、分析ROI图像的平均大小为320x180x644,平均Spacing大小为1.66x1.66x2.445。
3、将328例数据中随机选择5例西门子和5例联影数据作为验证集,剩下作为训练集。
4、采用patch方法来训练模型,对每个低剂量图像和对应full剂量图像随机提取15个patch子图像,patch子图像大小为160x96x256。然后计算低剂量patch子图像的均值和方差,对低剂量patch子图像和full剂量patch子图像分别进行z-score归一化处理。
5、搭建VNet3d网络,使用AdamW优化器,学习率是0.001,batchsize是1,epoch是20,损失函数采用L1损失。
6、训练结果和验证结果
6.1、低剂量2结果
6.2、低剂量4结果
6.3、低剂量10结果
6.4、低剂量20结果
6.5、低剂量50结果
6.6、低剂量100结果
7、验证集重建结果
在推理计算的时候按照patch子图像一半大小步长重叠计算结果,并对重叠区域结果进行加权平均计算。
7.1、低剂量2重建结果
第一张是低剂量2的PET图像,第二张是full剂量PET图像,第三张是网络重建的PET图像。
7.2、低剂量4重建结果
第一张是低剂量4的PET图像,第二张是full剂量PET图像,第三张是网络重建的PET图像。
7.3、低剂量10重建结果
第一张是低剂量10的PET图像,第二张是full剂量PET图像,第三张是网络重建的PET图像。
7.4、低剂量20重建结果
第一张是低剂量20的PET图像,第二张是full剂量PET图像,第三张是网络重建的PET图像。
7.5、低剂量50重建结果
第一张是低剂量50的PET图像,第二张是full剂量PET图像,第三张是网络重建的PET图像。
7.6、低剂量100重建结果
第一张是低剂量100的PET图像,第二张是full剂量PET图像,第三张是网络重建的PET图像。
8、测试集重建结果
左图是低剂量图像,右图是重建图像结果。
为了方便大家更高效地学习,我将代码进行了整理并更新到github上,点击https://github.com/junqiangchen/Ultra-low-Dose-PET-Imaging-Challenge即可访问。由于之前都是使用tensorflow1.14的进行代码实验开发的,为了方便pytorch的朋友们也可以复现实验结果,我将tensorflow版本的代码翻译转换成pytorch版本的。
如果大家觉得这个项目还不错,希望大家给个Star并Fork,可以让更多的人学习。如果有任何问题,随时给我留言我会及时回复的。