Pet görüntülerinde gürültü azaltıcı difüzyon olasılıksal modeller (DDPMs) ile gürültü azaltma

Abstract

Pozitron Emisyon Tomografisi (PET), özellikle onkolojik hastalıklarda tümörlü dokunun saptanması, hastalığın evrelendirilmesi ve tedavi yanıtının izlenmesi gibi klinik uygulamalarda yaygın olarak kullanılan bir nükleer tıp görüntüleme yöntemidir. PET görüntüleme sürecinde hastaya radyoizleyici madde enjekte edilmekte ve bu madde aracılığıyla vücuttaki metabolik aktivitenin dağılımı görüntülenmektedir. Ancak hastaların tanı ve tedavi sürecinde PET çekimlerine tekrarlı olarak maruz kalması, alınan radyasyon dozunun artmasına neden olmakta ve bu durum hasta güvenliği açısından önemli bir kısıt oluşturmaktadır. Radyasyon dozunu azaltmak amacıyla düşük dozlu radyoizleyici kullanımı veya daha kısa tarama süreleri tercih edilmekte, ancak bu yaklaşımlar PET görüntülerinin doğası gereği düşük sinyal-gürültü oranına sahip olmasına ve görüntü kalitesinin belirgin biçimde düşmesine yol açmaktadır. Bu tez çalışmasında, PET görüntülerinde gürültü giderme problemine yönelik olarak, son yıllarda görüntü işleme alanında öne çıkan difüzyon tabanlı derin öğrenme yaklaşımlarından biri olan Denoising Diffusion Probabilistic Model (DDPM) yöntemi ele alınmıştır. Çalışmada, gerçek klinik PET verilerinden oluşan bir veri seti kullanılmıştır. Klinik verilerde doğrudan temiz ve gürültülü görüntü çiftlerinin bulunmaması nedeniyle, PET görüntüleme sistemlerinin fiziksel ölçüm sürecini yansıtan Poisson dağılımına dayalı sentetik gürültü ekleme yaklaşımı benimsenmiştir. Poisson gürültüsünün Gaussian varsayımına dayalı difüzyon modelleriyle daha uyumlu hâle getirilmesi amacıyla Anscombe dönüşümü uygulanmış ve bu sayede DDPM tabanlı gürültü giderme sürecinin daha etkin biçimde gerçekleştirilmesi hedeflenmiştir. Model, farklı gürültü koşullarını temsil edecek şekilde birden fazla gürültü seviyesinde eğitilmiş ve test edilmiştir. Bu yaklaşım, modelin yalnızca belirli bir gürültü düzeyine uyum sağlamasını engelleyerek, değişken gürültü senaryolarında genelleme yeteneğinin değerlendirilmesine olanak tanımıştır. Model performansı, eğitim aralığı içerisinde yer alan gürültü seviyelerinin yanı sıra, eğitim sırasında görülmeyen daha yüksek bir gürültü seviyesi için de analiz edilmiştir. Performans değerlendirmesi PSNR, SSIM, RMSE ve MAE metrikleri kullanılarak gerçekleştirilmiş olup sonuçlar ortalama ± standart sapma biçiminde raporlanmıştır. Standart sapma değerlerinin tüm gürültü seviyelerinde benzer aralıklarda seyretmesi, modelin farklı görüntüler üzerinde kararlı bir performans sergilediğini göstermektedir. Önerilen DDPM tabanlı modelin performansı, toplam varyasyon (TV) tabanlı yöntem ile karşılaştırmalı olarak incelenmiştir. Nicel sonuçlar, DDPM modelinin özellikle yapısal benzerlik ve hata temelli metrikler açısından daha dengeli ve tutarlı sonuçlar ürettiğini göstermektedir. Artan gürültü seviyelerinde TV yönteminde daha belirgin bir düzleştirme etkisi gözlemlenirken, DDPM yaklaşımının gürültü bastırma ile yapısal bilgi koruma arasında daha uygun bir denge sağladığı belirlenmiştir. Görsel değerlendirmeler, PET görüntülerinin düşük kontrast yapısı nedeniyle yöntemler arasındaki farkların her zaman açık biçimde ayırt edilemeyebileceğini ortaya koymuş, bu nedenle nicel analizlerin önemini desteklemiştir. Elde edilen bulgular, difüzyon tabanlı DDPM yaklaşımının PET görüntülerinde gürültü giderme problemine yönelik etkili ve genellenebilir bir çözüm sunduğunu göstermektedir. Bu çalışma, PET görüntü iyileştirme alanında difüzyon temelli modellerin potansiyelini ortaya koymakta ve daha geniş veri setleri ile üç boyutlu hacimsel uygulamalara yönelik gelecekteki çalışmalar için bir temel oluşturmaktadır.