Reconstrucción de imágenes de Tomografía por Emisión de Positrones en Presencia de Ruido Poisson Utilizando Aprendizaje Profundo.
Fecha
2020-06
Autores
Jarquin Moreno, Daniel Arturo
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Autónoma de Ciudad Juárez
Resumen
En el presente trabajo se muestra el desempeño de un algoritmo de reconstrucción de imágenes de tomografía por emisión de positrones (PET, por sus siglas en inglés) a partir del sinograma generado por un tomógrafo, el proceso es llevado a cabo por una red neuronal convolucional (CNN, por sus siglas en ingles), aprendiendo los parámetros de regularización del método reconstrucción y optimización field of experts y acelerando el entrenamiento utilizando unidades procesadoras de gráficos (GPU, por sus siglas en inglés) acelerando el entrenamiento y la respuesta de la red neuronal. El aprendizaje profundo permite a las redes neuronales aprender el proceso de reconstrucción y los términos de regularización más efi cientes, genera resultados aceptables en la época moderna del procesamiento de imágenes médicas. Para comprobar la eficiencia de reconstrucción es posible medir la similitud de la reconstrucción por medio PSNR y SSIM, dado este termino de comparación es posible
demostrar que existe una buena relación entre los sinogramas reconstruidos por la red y los reconstruidos por medio de los métodos de retroproyección (FBP, por sus siglas en ingles) y expectación-maximización (EM, por sus siglas en ingles).
Descripción
En el presente trabajo se muestra el desempeño de un algoritmo de reconstrucción de imágenes de tomografía por emisión de positrones (PET, por sus siglas en inglés) a partir del sinograma generado por un tomógrafo, el proceso es llevado a cabo por una red neuronal convolucional (CNN, por sus siglas en ingles), aprendiendo los parámetros de regularización del método reconstrucción y optimización field of experts y acelerando el entrenamiento utilizando unidades procesadoras de gráficos (GPU, por sus siglas en inglés) acelerando el entrenamiento y la respuesta de la red neuronal. El aprendizaje profundo permite a las redes neuronales aprender el proceso de reconstrucción y los términos de regularización más efi cientes, genera resultados aceptables en la época moderna del procesamiento de imágenes médicas. Para comprobar la eficiencia de reconstrucción es posible medir la similitud de la reconstrucción por medio PSNR y SSIM, dado este termino de comparación es posible
demostrar que existe una buena relación entre los sinogramas reconstruidos por la red y los reconstruidos por medio de los métodos de retroproyección (FBP, por sus siglas en ingles) y expectación-maximización (EM, por sus siglas en ingles).
Palabras clave
Red neuronal convolucional-CNN, Retropoyección., Campo de expertos., Reconstrucción del sinograma.