Noise Reduction of Scintillation Camera Images Using UNET: A Monte Carlo Simulation Approach

Abstract

Background
The project aims to reduce the noise in planar 111-In projections with a machine learning model.

Method
Sixteen base phantoms were used to create 696 phantoms in XCAT. An anterior planar projection was simulated with 111-In and ten uptake curves for each phantom in SIMIND. From the 6960 simulated planar projections 55600 sample and label pairs were created by adding Poisson distributed noise, scaling, rotation, and shift. The label was the noiseless representation of the sample. The normalized sample and label pairs were used to train four UNETS with different hyperparameters. The UNETs were evaluated with the metrics mean NRMSE (normalized root mean square error), mean PSNR (peak signal to noise ratio) and mean MSSIM (mean structural similarity index). A fifth UNET was trained with 55600 sample and label pairs without normalization. A UNET trained with normalized and un-normalized training data was compared to a standard Butterworth filter. The comparison was performed using the normalized profiles from the different images.

Results
The smallest mean PSNR was 53. The largest mean NRMSE was 0.19 and mean MSSIM was 0.81. The difference in the means between the UNETs for the different evaluation metrics was evaluated with a one-way ANOVA test for the test data containing no augmentation added except scaling. The one-way ANOVA test showed no statistical difference between the means for the different UNETs with regards to the calculated PSNR and NRMSE values. However, a statistically significant difference was found between the means of the different UNETs for the calculated MSSIM values. The Butterworth profile was more consistent with the ground truth label for the test data than the profiles from the UNETs trained with normalized and un-normalized data. The UNET from the un-normalized resulted in blurrier predictions compared to the UNET trained with normalized data.

Conclusions
The UNET can reduce the noise in scintillation camera images with a high noise level. However, the UNET trained could not recover details such as the ribs and was overfitted since the size of the spleen in the predictions was not consistent with the labels. Further work is needed to optimize the training data and the architecture to recover details lost in the imaging processing and minimize overfitting. The images from the UNET trained with normalized training data were not as blurry as the images filtered with the Butterworth filter.

Popular Abstract (Swedish)

Inom nuklearmedicinsk bildtagning injiceras en patient med ett läkemedel bundet till en radionuklid. De fotoner som emitteras kan detekteras med en gammakamera, vilket ger en planar bild av hur läkemedlet tagits upp i kroppen. Brusnivån relaterar till antalet fotoner som detekteras. En längre bildtagningstid och högre injicerad aktivitet minskar brusnivån, men ökar sannolikheten för rörelseartefakter respektive DNA skador. Alternativa metoder, exempelvis, filter kan användas för brusreducering, men på bekostnad av upplösningen i bilden. Syftet med maskininlärning är att lära en dator brusreducera nuklearmedicinska bilder och samtidigt försöka bibehålla upplösningen.

Maskininlärning
Maskininlärning är en subkategori inom artificiell intelligens, där dator tränas till att lösa ett problem med hjälp av indata och utdata. Detta kallas väglett lärande. Träningen går ut på att mata en algoritm med indata och utdata, som de träningsbara parametrarna i algoritmen justeras utefter. Från den färdigtränade algoritmen fås en modell, som utifrån indata som modellen inte tränats med ska kunna ge en prediktering.

Träningsdata
För att träna en dator till att replikera träningsdata beståendes av indata och utdata måste algoritmen ha tillgång till en stor mängd träningsmaterial. Att tillhandahålla nuklearmedicinska bilder från kliniken är både omfattande och onödig. Utdatan -vilket inom maskininlärning benämns labels- simulerades istället fram med virtuella patienter och en virtuell gammakamera, programvaran som användes var XCAT respektive SIMIND. En gammakamera kan simuleras eftersom radioaktivt sönderfall och fotoninteraktioner är slumpmässiga processer, som kan modelleras med monte carlo metoden. Via monte carlo metoden kan en foton spåras från sönderfallsplatsen ända in i den virtuella gammakameran. Labels som simulerades fram med SIMIND var brusfria. Indatan bestod av kopior av labels med Poisson distributerat brus. Inom maskininlärning benämns indata för samples. Varje sample hade en label, vilket motsvarade den brusiga respektive brusfria bilden. Label bilderna simulerades för radionukliden 111-In.

Maskininlärnings arkitekturen UNET
Maskininlärningsarkitekturen som valdes för att brusreducera de planara gammakamerabilderna kallas UNET, och består av en expansiv och en kontraherande del, vilket ger dess U-formade utseende. Den kontraherande delen minskar dimensionerna på indatan för att extrahera olika drag och mönster från samples via den matematiska operationen faltning. Den expanderande delen förstorar dimensionerna istället. Även den expanderande delen består av faltningsoperationer.

Slutsatser
UNET modell tränad med normaliserad-data kunde brusreducera planara gammakamera bilder, men presterade sämre än Butterworth filtret om man tittar på de normaliserade profilerna. Butterworth filtret är ett standard filter som används inom kliniken. Problemet med att använda normaliserad-data är att man behöver en konverteringsfaktor till aktivitets-koncentrationer. Om datan inte normaliserades presterade UNET sämre än Butterworth filtret, då bilderna blev betydligt suddigare. Det man måste ha i åtanke är att alla maskininlärnings modeller är till någon grad anpassad till träningsdatan (overfitting). För att träna en modell som presterar bättre och är mer generaliserad, och kan ge en godtycklig prediktering för data som modellen inte tränats på, behövs en stor mängd träningsdata med en stor spridning bland de virtuella patienterna. Att få en stor spridning bland de virtuella patienterna var utmanade, eftersom tillgången på basfantom i XCAT var begränsad. På basfantomen applicerades små ändringar för att skapa nya fantom. De ändringar som applicerades på basfantomen var eventuellt bristfälliga för att representera en patientpopulation.

• author: Korpijärvi, Johanna
• supervisor: Linda Knutsson; Michael Ljungberg; Sajad Mohammed Ali; Johan Ruben Gustafsson
• organization: Medical Physics Programme
• course: MSFT01 20202
• year: 2021
• type: H2 - Master's Degree (Two Years)
• subject: Medicine and Health Sciences
• language: English
• id: 9053110
• date added to LUP: 2021-06-11 13:02:23
• date last changed: 2021-06-14 19:34:52