Maximización de Expectativas Mejorada por Grafos para Tomografía de Emisión

Área de la Ciencia:

• Imágenes Médicas
• Ciencias Computacionales
• Reconstrucción de Imágenes

Sus antecedentes:

• La reconstrucción de imágenes de tomografía de emisión (por ejemplo, SPECT) se basa en el procesamiento de datos de proyección ruidosos.
• La maximización de expectativas y verosimilitud (MLEM) es estándar pero sensible al ruido, especialmente con bajos recuentos.
• La regularización de variación total (TV) reduce el ruido pero puede sobre-suavizar las imágenes y requiere ajuste de parámetros.

Objetivo del estudio:

• Desarrollar un algoritmo novedoso para la supresión mejorada de ruido en tomografía de emisión.
• Mejorar la calidad de la imagen preservando los detalles estructurales durante la reconstrucción.
• Ofrecer una alternativa práctica y basada en datos a los métodos de regularización existentes.

Principales métodos:

• Se propuso el algoritmo de Maximización de Expectativas Mejorada por Grafos (GREM).
• Se integró información de vecindad basada en grafos en un marco de reconstrucción multiplicativa MLEM.
• Se utilizó una formulación penalizada con divergencia de Kullback-Leibler y regularización del laplaciano de grafos.

Principales resultados:

• GREM demostró un rendimiento superior en comparación con MLEM y MLEM con regularización TV.
• La evaluación cuantitativa mostró mejoras en la relación señal/ruido pico (PSNR) y el índice de similitud estructural multiescala (MS-SSIM).
• Los experimentos con fantomas sintéticos y datos clínicos de hígado SPECT validaron la efectividad de GREM.

Conclusiones:

• GREM ofrece una supresión de ruido eficaz que preserva los bordes para la tomografía de emisión.
• El algoritmo mantiene la estructura multiplicativa y la no negatividad de MLEM.
• GREM proporciona una solución práctica sin requerir datos de entrenamiento externos.