複数のPET再構成を使用した非局所平均除去

目的：非局所平均（NLM）フィルタリングは、自然画像や医療画像の除去に広く使用されています。NLMフィルターは、ターゲット画像の繰り返しパターン/テクスチャの形で、冗長な情報に依存して、ノイズから基礎となる構造/信号を区別します。PET（またはSPECT）イメージングでは、異なるパラメーターと設定を使用して生データを再構築し、異なるノイズレベル（またはプロパティ）で汚染されたターゲット画像と非常に類似した構造/信号を含むターゲット画像の異なる表現につながる可能性があります。この観点から、複数の再構築NLMフィルタリング（MR-NLM）が提案されており、同じPETデータ（補助画像と呼ばれる）の異なる再構成によって提供される冗長な情報に依存して、除去プロセスを実施します。 方法：MR-NLMアプローチの実装では、異なる数の反復とサブセットを備えた同じ反復再構成アルゴリズムを使用して再構築された12の補助ペット画像（ターゲット画像に加えて）の使用が含まれていました。各ターゲットボクセルについて、同じ場所のボクセルのパッチは、NLM除去プロセスが実施される補助ペット画像から抽出されます。これにより、従来のNLMメソッドで実行された徹底的な検索スキームが、同様のボクセルのパッチを見つけるために実行されます。MR-NLMフィルターのパフォーマンス評価は、実験的なJaszczak Phantomおよび25の全身PET/CT臨床研究を使用して、従来のNLM、ガウスおよび二国間の再構築後アプローチに対して実行されました。 結果：実験的なJaszczak Phantom研究の信号対雑音比（SNR）は、ガウスフィルタリングを使用すると、従来のNLMおよびMR-NLMメソッドがそれぞれ適用された場合（P値<0.05）、27.9および28.8に25.1から改善しました。逆に、ガウスフィルターは35.4％の定量化バイアスをもたらしましたが、NLMとMRNMのアプローチにより、それぞれ32.0％と31.1％（P値<0.05）のバイアスが生じました。臨床研究では、Gaussianフィルターを-3.5±1.3％および-2.2±1.2に使用すると、悪性病変（ホットスポット）で測定された定量的バイアス（ホットスポット）で測定された定量的バイアスが-12.3±2.3％から減少したMR -NLM法の優れた性能をさらに確認します。％NLMおよびMR-NLMアプローチ（P値<0.05）をそれぞれ使用する場合。 結論：MR-NLMアプローチは、PET画像のノイズ抑制と信号保存の観点から有望なパフォーマンスを示し、従来のNLMアプローチと比較してより高いSNRに変換されました。MR-NLMアプローチの有望なパフォーマンスにもかかわらず、複数のPET再建の要件により、追加の計算負担に対処する必要があります。

OBJECTIVES: Non-local mean (NLM) filtering has been broadly used for denoising of natural and medical images. The NLM filter relies on the redundant information, in the form of repeated patterns/textures, in the target image to discriminate the underlying structures/signals from noise. In PET (or SPECT) imaging, the raw data could be reconstructed using different parameters and settings, leading to different representations of the target image, which contain highly similar structures/signals to the target image contaminated with different noise levels (or properties). In this light, multiple-reconstruction NLM filtering (MR-NLM) is proposed, which relies on the redundant information provided by the different reconstructions of the same PET data (referred to as auxiliary images) to conduct the denoising process. METHODS: Implementation of the MR-NLM approach involved the use of twelve auxiliary PET images (in addition to the target image) reconstructed using the same iterative reconstruction algorithm with different numbers of iterations and subsets. For each target voxel, the patches of voxels at the same location are extracted from the auxiliary PET images based on which the NLM denoising process is conducted. Through this, the exhaustive search scheme performed in the conventional NLM method to find similar patches of voxels is bypassed. The performance evaluation of the MR-NLM filter was carried out against the conventional NLM, Gaussian and bilateral post-reconstruction approaches using the experimental Jaszczak phantom and 25 whole-body PET/CT clinical studies. RESULTS: The signal-to-noise ratio (SNR) in the experimental Jaszczak phantom study improved from 25.1 when using Gaussian filtering to 27.9 and 28.8 when the conventional NLM and MR-NLM methods were applied (p value < 0.05), respectively. Conversely, the Gaussian filter led to quantification bias of 35.4%, while NLM and MR-NLM approaches resulted in a bias of 32.0% and 31.1% (p value < 0.05), respectively. The clinical studies further confirm the superior performance of the MR-NLM method, wherein the quantitative bias measured in malignant lesions (hot spots) decreased from - 12.3 ± 2.3% when using the Gaussian filter to - 3.5 ± 1.3% and - 2.2 ± 1.2% when using the NLM and MR-NLM approaches (p value < 0.05), respectively. CONCLUSION: The MR-NLM approach exhibited promising performance in terms of noise suppression and signal preservation for PET images, thus translating into higher SNR compared to the conventional NLM approach. Despite the promising performance of the MR-NLM approach, the additional computational burden owing to the requirement of multiple PET reconstruction still needs to be addressed.