DG-DiT：マルチトレーサーおよびマルチスキャナー脳PET画像ノイズ除去のためのデュアルブランチゲーティング拡散トランスフォーマー

科学分野:

• 医用画像処理
• 人工知能
• 放射線化学

背景:

• 拡散確率モデル（DPM）は、陽電子放出断層撮影（PET）ノイズ除去に有望ですが、効率性、精度、一般化の課題に直面しています。
• 既存のDPMは、多くの場合、多くの反復を必要とし、定量的精度が限られ、複数のスキャナーやトレーサーからのデータのばらつきに対処するのが困難です。
• グラウンドトゥルースへの高忠実度はPETノイズ除去に不可欠であり、モデルパフォーマンスの向上が必要です。

研究 の 目的:

• マルチトレーサーおよびマルチスキャナーPETノイズ除去のための効率的かつ正確な深層学習モデルを開発すること。
• 従来のDPMの定量的精度とさまざまな画像条件における一般化の限界に対処すること。
• PET画像における複雑なデータ分布のモデリングを改善すること。

主な方法:

• 拡散トランスフォーマー（DiT）と画像修復トランスフォーマー（IRT）を統合したデュアルブランチゲーティング拡散トランスフォーマー（DG-DiT）ネットワークを提案しました。
• DiTバックボーンは、効率的な数ステップ拡散のためのコンパクトな潜在空間から事前分布を学習します。
• DiTとIRTの両方にデュアルブランチゲーティングメカニズムを採用し、マルチ入力情報を効果的に融合します。

主要な成果:

• DG-DiTモデルは、テストされたすべてのスキャナーとトレーサーで優れた定量的精度を達成し、最先端モデルと比較して最大0.2 dBのPSNR改善を示しました。
• コントラスト対ノイズ比の評価は、小さな脳領域のコントラストを回復し、ノイズを低減するモデルの能力を実証しました。
• マルチトレーサーおよびマルチスキャナーデータセットでの広範な実験により、モデルの一貫したノイズ除去性能が検証されました。

結論:

• 提案されたDG-DiTネットワークは、特にマルチトレーサーおよびマルチスキャナーシナリオにおいて、PET画像ノイズ除去における重要な進歩を提供します。
• DG-DiTは、既存の深層学習手法と比較して、定量的精度の向上と優れたノイズ削減能力を提供します。
• モデルのアーキテクチャは、効率的な学習と多様なPET画像データに対する一般化の向上を促進します。