Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Filling of incomplete sinograms from sparse PET detector configurations using a residual U-Net
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.ORCID-id: 0000-0002-5130-1941
Department Physics and Technology, UiT The Arctic University of Norway, Tromsø, Norway.
University Hospital of North Norway, Tromsø, Norway; Physics and Technology, UiT The Arctic University of Norway, Tromsø, Norway; Department of Clinical Medicine, UiT The Arctic University of Norway, Tromsø, Norway.ORCID-id: 0000-0001-7747-9003
Umeå universitet, Medicinska fakulteten, Institutionen för diagnostik och intervention. (Oncology)ORCID-id: 0000-0002-3683-3763
Visa övriga samt affilieringar
(Engelska)Manuskript (preprint) (Övrigt vetenskapligt)
Nyckelord [en]
positron emission tomography (PET), sparse PET, deep learning - artificial intelligence, residual U-net, gap filling, long axial field of view PET, total body PET
Nationell ämneskategori
Medicinsk bildbehandling Beräkningsmatematik Datorseende och robotik (autonoma system)
Forskningsämne
matematisk statistik
Identifikatorer
URN: urn:nbn:se:umu:diva-220510OAI: oai:DiVA.org:umu-220510DiVA, id: diva2:1834756
Ingår i projekt
Statistiska modeller och intelligenta datainsamlingsmetoder för MRI och PET mätningar med tillämpning för monitoring av cancerbehandling, Vetenskapsrådet
Forskningsfinansiär
Vetenskapsrådet, 340-2013-5342Tillgänglig från: 2024-02-05 Skapad: 2024-02-05 Senast uppdaterad: 2024-02-06
Ingår i avhandling
1. The PET sampling puzzle: intelligent data sampling methods for positron emission tomography
Öppna denna publikation i ny flik eller fönster >>The PET sampling puzzle: intelligent data sampling methods for positron emission tomography
2024 (Engelska)Doktorsavhandling, sammanläggning (Övrigt vetenskapligt)
Alternativ titel[sv]
PET-samplingspusslet : intelligenta datainsamlingsmetoder för positronemissionstomografi
Abstract [en]

Much like a backwards computed Sudoku puzzle, starting from the completed number grid and working ones way down to a partially completed grid without damaging the route back to the full unique solution, this thesis tackles the challenges behind setting up a number puzzle in the context of biomedical imaging. By leveraging sparse signal processing theory, we study the means of practical undersampling of positron emission tomography (PET) measurements, an imaging modality in nuclear medicine that visualises functional processes within the body using radioactive tracers. What are the rules for measurement removal? How many measurements can be removed without damaging the route back to the full solution? Moreover, how is the original solution retained once the data has been altered? This thesis aims to investigate and answer such questions in relation to PET data sampling, thereby creating a foundation for a PET Sampling Puzzle.

The objective is to develop intelligent data sampling strategies that allow for practical undersampling of PET measurements combined with sophisticated computational compensations to address the resulting data distortions. We focus on two main challenges in PET undersampling: low-count measurements due to reduced radioactive dose or reduced scan times and incomplete measurements from sparse PET detector configurations. The methodological framework is based on key aspects of sparse signal processing: sparse representations, sparsity patterns and sparse signal recovery, encompassing denoising and inpainting. Following the characteristics of PET measurements, all elements are considered with an underlying assumption of signal-dependent Poisson distributed noise.

The results demonstrate the potential of noise awareness, sparsity, and deep learning to enhance and restore measurements corrupted with signal-dependent Poisson distributed noise, such as those in PET imaging, thereby marking a notable step towards unravelling the PET Sampling Puzzle.

Ort, förlag, år, upplaga, sidor
Umeå: Umeå University, 2024. s. 30
Serie
Research report in mathematical statistics, ISSN 1653-0829 ; 76/24
Nyckelord
sparse signal processing, compressed sensing, Poisson denoising, positron emission tomography (PET), sinogram denoising, sinogram inpainting, deep learning
Nationell ämneskategori
Sannolikhetsteori och statistik Signalbehandling Medicinsk bildbehandling Beräkningsmatematik
Forskningsämne
matematisk statistik
Identifikatorer
urn:nbn:se:umu:diva-220515 (URN)9789180702799 (ISBN)9789180702805 (ISBN)
Disputation
2024-02-29, BIO.E 203 (Aula Biologica), Umeå, 09:00 (Engelska)
Opponent
Handledare
Forskningsfinansiär
Vetenskapsrådet, 340-2013-5342
Tillgänglig från: 2024-02-08 Skapad: 2024-02-05 Senast uppdaterad: 2024-02-08Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Person

Leffler, KlaraSöderkvist, KarinAxelsson, Jan

Sök vidare i DiVA

Av författaren/redaktören
Leffler, KlaraKuttner, SamuelSöderkvist, KarinAxelsson, Jan
Av organisationen
Institutionen för matematik och matematisk statistikInstitutionen för diagnostik och intervention
Medicinsk bildbehandlingBeräkningsmatematikDatorseende och robotik (autonoma system)

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 34 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf