基于深度集成的深度图像先验PET重建认知不确定性量化与评估研究
《IEEE Transactions on Radiation and Plasma Medical Sciences》:Epistemic Uncertainty Estimation in Unsupervised Deep Image Prior-based PET Image Reconstruction
【字体:
大
中
小
】
时间:2026年10月10日
来源:IEEE Transactions on Radiation and Plasma Medical Sciences 3.8
编辑推荐:
摘要:深度学习在PET图像重建中展现出强大潜力;然而,不确定性量化(UQ)对于可信赖的定量成像至关重要。本研究将《测量不确定度表示指南》(GUM)框架应用于评估基于无监督深度图像先验(DIP)的PET重建中常用评价指标的认知不确定性。研究采用深度集成方法,评估了三种算法:AD
摘要:
深度学习在PET图像重建中展现出强大潜力;然而,不确定性量化(UQ)对于可信赖的定量成像至关重要。本研究将《测量不确定度表示指南》(GUM)框架应用于评估基于无监督深度图像先验(DIP)的PET重建中常用评价指标的认知不确定性。研究采用深度集成方法,评估了三种算法:ADMMDIP、OTDIP和NKEM,通过不同的网络初始化生成重复重建结果。利用多种病灶尺寸和两个计数水平下的二维及三维FDG脑部模拟数据,以及68Ge NEMA模体的真实数据,评估了不确定性图及基于感兴趣区域(ROI)的不确定性。ADMMDIP在高计数场景下实现了更优的最优迭代速度和更佳的病灶恢复效果,但噪声更高、对超参数更敏感,且在低计数条件下不确定性显著增加。OTDIP和NKEM产生了更平滑的图像并具有较高的对比噪声比(CNR),其中NKEM在低计数环境下表现最佳。各方法在ROI均值上的不确定性范围为:ADMMDIP为0.3%至56%,OTDIP为0.4%至11%,NKEM为0.6%至10%,且较小的区域始终表现出更高的不确定性。这些结果表明,基于集成的可重复性分析为表征无监督PET重建中优化引发的认知不确定性提供了一种实用且符合GUM标准的方法,并能够实现重建方法的更可靠比较。尽管本研究以基于DIP的方法进行了验证,但该方法的适用范围涵盖任何涉及随机优化的重建技术。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号