Gapfill-Recon Net：同時にペットギャップの詰め物と画像の再構築を同時にするためのカスケードネットワーク

隣接する検出器ブロック間のギャップなどの不完全なデータからのPET画像の再構築は、一般に部分的な投影データ損失を導入し、医療画像の重要で挑戦的な問題です。この作業は、PET画像とそれに関連するシノグラムデータを共同で再構築するGapfill-Recon Netと呼ばれる効率的な畳み込みニューラルネットワーク（CNN）フレームワークを提案します。2つのブロックを含むギャップフィルレコンネット：ギャップ充填ブロックは、最初にシノグラムギャップを扱い、画像再度ブロックは、塗りつぶされたシノグラムを最終画像に直接マッピングします。Moby Phantomから生成されたギャップと画像を備えた合成2D PETシノグラムの合計43,660ペアの合成2Dペットシノグラムは、ネットワークトレーニング、テスト、検証に利用されています。全身マウスモンテカルロ（MC）シミュレートされたデータも評価に使用されます。実験結果は、Gapfill-Recon Netの再構築された画質が、構造類似性指数メトリック（SSIM）、相対根平均誤差（RRMSE）の観点から、フィルタリングされたバックプロジェクション（FBP）および最尤最大化（MLEM）を上回ることを示しています。、およびピーク信号対雑音比（PSNR）。さらに、再構築速度はFBPの速度と同等であり、MLEMのそれよりも83倍近く速くなりました。結論として、従来の再構成アルゴリズムと比較して、Gapfill-Recon Netは、効率とパフォーマンスのバランスを効果的に達成する画質と再構築速度で比較的最適なパフォーマンスを達成します。

PET image reconstruction from incomplete data, such as the gap between adjacent detector blocks generally introduces partial projection data loss, is an important and challenging problem in medical imaging. This work proposes an efficient convolutional neural network (CNN) framework, called GapFill-Recon Net, that jointly reconstructs PET images and their associated sinogram data. GapFill-Recon Net including two blocks: the Gap-Filling block first address the sinogram gap and the Image-Recon block maps the filled sinogram onto the final image directly. A total of 43,660 pairs of synthetic 2D PET sinograms with gaps and images generated from the MOBY phantom are utilized for network training, testing and validation. Whole-body mouse Monte Carlo (MC) simulated data are also used for evaluation. The experimental results show that the reconstructed image quality of GapFill-Recon Net outperforms filtered back-projection (FBP) and maximum likelihood expectation maximization (MLEM) in terms of the structural similarity index metric (SSIM), relative root mean squared error (rRMSE), and peak signal-to-noise ratio (PSNR). Moreover, the reconstruction speed is equivalent to that of FBP and was nearly 83 times faster than that of MLEM. In conclusion, compared with the traditional reconstruction algorithm, GapFill-Recon Net achieves relatively optimal performance in image quality and reconstruction speed, which effectively achieves a balance between efficiency and performance.