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。