مقاله بازسازی تصویر PET در حالت لیست با استفاده از تقسیم مانند Dykstra

چکیده

To converge the block iterative method in image reconstruction for positron emission tomography (PET), careful control of relaxation parameters is required, which is a challenging task. The automatic determination of relaxation parameters for list-mode reconstructions also remains challenging. Therefore, a different approach than controlling relaxation parameters would be desired by list-mode PET reconstruction. In this study, we propose a list-mode maximum likelihood Dykstra-like splitting PET reconstruction (LM-MLDS). LM-MLDS converges the list-mode block iterative method by adding the distance from an initial image as a penalty term into an objective function. LM-MLDS takes a two-step approach because its performance depends on the quality of the initial image. The first step uses a uniform image as the initial image, and then the second step uses a reconstructed image after one main iteration as the initial image. We evaluated LM-MLDS using simulation and clinical data. LM-MLDS provided a higher peak signal-to-noise ratio and suppressed an oscillation of tradeoff curves between noise and contrast than the other block iterative methods. In a clinical study, LM-MLDS removed the false hotspots at the edge of the axial field of view and improved the image quality of slices covering the top of the head to the cerebellum. LM-MLDS showed different noise properties than the other methods due to Gaussian denoising induced by the proximity operator. The list-mode proximal splitting PET reconstruction is useful not only for optimizing nondifferentiable functions such as total variation but also for converging block iterative methods without controlling relaxation parameters.

چکیده به فارسی (ترجمه ماشینی)

برای همگرایی روش تکراری بلوک در بازسازی تصویر برای توموگرافی انتشار پوزیترون (PET) ، کنترل دقیق پارامترهای آرامش لازم است ، که یک کار چالش برانگیز است.تعیین خودکار پارامترهای آرامش بخش برای بازسازی حالت لیست نیز چالش برانگیز است.بنابراین ، یک رویکرد متفاوت از کنترل پارامترهای آرامش با بازسازی PET در حالت لیست مورد نظر است.در این مطالعه ، ما یک لیست حداکثر احتمال لیست Dykstra مانند بازسازی PET (LM-MLDS) را پیشنهاد می کنیم.LM-MLDS با افزودن فاصله از یک تصویر اولیه به عنوان یک اصطلاح مجازات به یک عملکرد هدف ، روش تکراری بلوک لیست لیست را همگرا می کند.LM-MLDS یک رویکرد دو مرحله ای را انجام می دهد زیرا عملکرد آن به کیفیت تصویر اولیه بستگی دارد.مرحله اول از یک تصویر یکنواخت به عنوان تصویر اولیه استفاده می کند و سپس مرحله دوم از یک تصویر بازسازی شده پس از یک تکرار اصلی به عنوان تصویر اولیه استفاده می کند.ما LM-MLD را با استفاده از داده های شبیه سازی و بالینی ارزیابی کردیم.LM-MLDS نسبت سیگنال به نویز اوج بالاتر را فراهم کرد و نوسان منحنی های مبادله بین نویز و کنتراست را نسبت به سایر روشهای تکراری بلوک سرکوب کرد.در یک مطالعه بالینی ، LM-MLD ها نقاط کاذب را در لبه میدان محوری از بین برد و کیفیت تصویر برش های پوشش بالای سر را به مخچه بهبود داد.LM-MLDS به دلیل دفع گاوسی ناشی از اپراتور مجاورت ، خاصیت نویز متفاوتی نسبت به سایر روشها نشان داد.بازسازی PET تقسیم کننده PET در حالت لیست نه تنها برای بهینه سازی توابع غیر تمایز پذیر مانند تنوع کل بلکه برای همگرا روشهای تکراری بلوک بدون کنترل پارامترهای آرامش مفید است.