Artificial Intelligence-Based Image Enhancement in PET Imaging : Noise Reduction and Resolution Enhancement - 16/09/21

Doi : 10.1016/j.cpet.2021.06.005

Juan Liu, PhD ^a,^{^{1
Equal contribution.}}, Masoud Malekzadeh, MS ^b,^{^{1
Equal contribution.}}, Niloufar Mirian, MSc ^a, Tzu-An Song, MS ^b, Chi Liu, PhD ^a,^⁎ , Joyita Dutta, PhD ^b,^c,^⁎
^a Department of Radiology and Biomedical Imaging, Yale School of Medicine, New Haven, CT, USA
^b Department of Electrical and Computer Engineering, University of Massachusetts Lowell, 1 University Avenue, Ball 301, Lowell, MA 01854, USA
^c Gordon Center for Medical Imaging, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA

^∗Corresponding authors.

Résumé

High noise and low spatial resolution are two key confounding factors that limit the qualitative and quantitative accuracy of PET images. Artificial intelligence models for image denoising and deblurring are becoming increasingly popular for the postreconstruction enhancement of PET images. We present a detailed review of recent efforts for artificial intelligence-based PET image enhancement with a focus on network architectures, data types, loss functions, and evaluation metrics. We also highlight emerging areas in this field that are quickly gaining popularity, identify barriers to large-scale adoption of artificial intelligence models for PET image enhancement, and discuss future directions.

Le texte complet de cet article est disponible en PDF.

Keywords : PET, Artificial intelligence, Deep learning, Denoising, Deblurring, Super-resolution

Plan

Key points

Introduction

Summary of existing methods

Supervised Learning Models and Network Architectures

Unsupervised, Weakly Supervised, and Self-Supervised Learning Models and Network Architectures

Evaluation Metrics

Loss Functions

Emerging approaches and novel applications

Transfer Learning

Federated Learning

Data Harmonization

Reinforcement Learning

Interpretability

Summary

Export

Vol 16 - N° 4

P. 553-576 - octobre 2021 Retour au numéro

Article précédent

Artificial Intelligence–Based Data Corrections for Attenuation and Scatter in Position Emission Tomography and Single-Photon Emission Computed Tomography
Alan B. McMillan, Tyler J. Bradshaw

| Article suivant

Toward High-Throughput Artificial Intelligence-Based Segmentation in Oncological PET Imaging
Fereshteh Yousefirizi, Abhinav K. Jha, Julia Brosch-Lenz, Babak Saboury, Arman Rahmim

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

connectez-vous ou créez un compte

Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.

Artificial Intelligence-Based Image Enhancement in PET Imaging : Noise Reduction and Resolution Enhancement - 16/09/21

Résumé

Plan

Export citations

Fichier

Contenu

Accès rapides

Mon compte

Aide & support

Plateformes Elsevier Masson

Déclaration CNIL