Geri Dön

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

Noise reduction in pet images using denoising diffusion probabilistic models (DDPMs)

PDF İndir

  1. Tez No: 1002527
  2. Yazar: EMİNE PACCİ
  3. Danışmanlar: DOÇ. DR. İSA YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

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.

Özet (Çeviri)

Positron Emission Tomography (PET) is a functional nuclear medicine imaging modality that enables non-invasive visualization of metabolic processes within the human body. Unlike purely anatomical imaging techniques, PET provides physiological and biochemical information by detecting gamma photons generated during positron–electron annihilation events. In clinical oncology, PET plays a crucial role in tumor detection, staging, treatment planning, and therapy response monitoring. By administering radiotracers such as 18F-fluorodeoxyglucose (FDG), regions with elevated glucose metabolism—commonly associated with malignant tissues—can be identified and quantified. Despite its clinical value, PET imaging is inherently limited by low spatial resolution and high noise levels. The primary source of noise arises from the stochastic nature of radioactive decay and photon detection. PET systems rely on photon counting, a fundamentally probabilistic process governed by Poisson statistics. The number of detected photons fluctuates randomly, and the variance of the signal is proportional to its mean. As a result, PET images exhibit signal-dependent (heteroscedastic) noise characteristics. In low-count conditions—such as low-dose acquisitions or shortened scan times—the relative noise increases significantly, leading to reduced signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR). The clinical motivation for reducing noise in PET images is twofold. First, excessive noise can obscure small lesions or subtle metabolic variations, potentially compromising diagnostic accuracy. Second, radiation safety principles such as ALARA (As Low As Reasonably Achievable) advocate minimizing patient radiation exposure. Lowering injected radiotracer dose or reducing acquisition time decreases radiation burden but inevitably increases image noise. Therefore, advanced post-processing algorithms capable of restoring image quality from low-dose PET acquisitions are of substantial clinical importance. Effective denoising techniques may allow safer imaging protocols without sacrificing diagnostic reliability. Traditional denoising approaches—including Gaussian filtering, median filtering, and Total Variation (TV) regularization—aim to suppress noise by smoothing local intensity variations. However, these methods often struggle with the complex, signal-dependent noise distribution present in PET images. Excessive smoothing can lead to loss of structural details and attenuation of clinically relevant metabolic gradients. Moreover, deterministic filtering techniques lack the capacity to model the underlying data distribution of PET images. Deep learning methods such as Convolutional Neural Networks (CNNs) and Generative Adversarial Networks (GANs) have demonstrated promising results in medical image restoration. Nevertheless, GAN-based approaches may generate artificial structures or hallucinated details, raising concerns regarding diagnostic reliability. In medical imaging, the preservation of anatomical and functional integrity is critical; artificially synthesized details may mislead clinical interpretation. To address these limitations, this study proposes the use of Denoising Diffusion Probabilistic Models (DDPMs) for PET image denoising. Diffusion models are probabilistic generative frameworks that progressively transform structured data into noise through a forward diffusion process and then learn to reverse this process step by step. Instead of directly mapping noisy images to clean outputs, DDPMs estimate the noise component at each diffusion timestep and iteratively remove it. This formulation provides stable training dynamics and reduces the risk of hallucinated content generation, as the model learns a principled probabilistic representation of the data distribution. A fundamental challenge in applying DDPMs to PET imaging lies in the mismatch between noise assumptions. Standard DDPM formulations are based on additive Gaussian noise with constant variance, whereas PET images are predominantly affected by Poisson-distributed noise with signal-dependent variance. This discrepancy can degrade model performance if not properly addressed. To overcome this incompatibility, the Anscombe transformation was employed as a variance-stabilizing technique. The Anscombe transform converts Poisson-distributed data into approximately Gaussian-distributed data with near-constant variance. By stabilizing the variance, the transformed images become more compatible with the Gaussian diffusion process assumed by DDPMs. After denoising in the transformed domain, the inverse Anscombe transform was applied to restore the data to its original PET intensity space. This strategy allowed the use of a standard DDPM architecture without modifying its probabilistic formulation while ensuring theoretical consistency with PET noise characteristics. The dataset used in this study consists of clinical FDG-PET images obtained from a publicly available cancer imaging repository. Since clean–noisy image pairs are not directly available in clinical practice, synthetic Poisson noise was introduced to simulate realistic photon-count variability. Multiple noise levels were applied to represent different acquisition conditions, including low, moderate, and high noise scenarios. By training the model on images corrupted with varying noise intensities, the network was encouraged to generalize across heterogeneous noise conditions rather than overfitting to a single noise level. The DDPM backbone architecture was implemented using a U-Net–based encoder–decoder structure with skip connections. Time embedding mechanisms were incorporated to condition the model on diffusion timesteps. A cosine noise schedule was employed over 200 diffusion steps. The network was trained to predict the noise component (ε-prediction) rather than the clean image directly, a strategy known to enhance training stability. Exponential Moving Average (EMA) weights were utilized during evaluation to reduce variance in predictions. Performance evaluation was conducted using quantitative metrics including Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index Measure (SSIM), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE). Results were reported as mean ± standard deviation across test slices to assess both average performance and robustness. The inclusion of standard deviation values provides insight into model consistency across different anatomical slices and noise conditions. Experimental findings demonstrate that the proposed DDPM-based approach achieves stable denoising performance across all evaluated noise levels. PSNR values remained consistently high, and SSIM scores indicated strong structural preservation. Importantly, RMSE and MAE values exhibited limited increase as noise intensity grew, suggesting resilience to high-noise scenarios. Standard deviation values across test samples remained within a narrow range, indicating consistent behavior and reduced performance variability. For comparative analysis, results were evaluated against a Total Variation (TV)-based denoising method. While TV filtering achieved moderate noise suppression, it introduced noticeable smoothing effects, particularly at higher noise levels. This smoothing led to homogenization of metabolic gradients and partial loss of subtle structural variations. In contrast, the DDPM approach maintained a more balanced trade-off between noise suppression and detail preservation. Quantitative metrics consistently favored the diffusion-based model, especially in terms of structural similarity and error reduction under moderate-to-high noise conditions. Visual assessment of representative slices further supported these quantitative observations. Although differences were not always striking due to the intrinsically low resolution of PET images, the DDPM outputs better preserved intensity transitions and regional heterogeneity compared to the TV method. These findings highlight the importance of combining visual and quantitative evaluations in medical image restoration tasks. Despite promising results, certain limitations should be acknowledged. The study was conducted on two-dimensional PET slices rather than full three-dimensional volumes. Incorporating 3D diffusion models may improve spatial consistency and contextual modeling. Additionally, noise was synthetically generated rather than obtained from true low-dose acquisitions. Future studies should validate the approach using real low-dose clinical datasets. Expanding the dataset size and exploring multi-modal conditioning (e.g., PET/CT or PET/MR) may further enhance generalization capability. In conclusion, this study demonstrates that Denoising Diffusion Probabilistic Models, combined with variance stabilization via the Anscombe transformation, provide an effective and theoretically consistent framework for PET image denoising. The proposed approach successfully addresses the signal-dependent noise characteristics of PET imaging while preserving structural and metabolic information. By enabling robust noise suppression across varying noise levels, diffusion-based models hold strong potential for improving low-dose PET imaging and supporting safer clinical protocols.

Benzer Tezler

  1. Tez No

    615667

    PET/MR hibrit görüntülemede noktasal dağılım fonksiyonunun görüntü kalitesi üzerine etkisinin değerlendirilmesi

    Evaluation of the effect of point spread function on image quality in PET/MR hybrid imaging

    MERT KARAGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi-Cerrahpaşa

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. MUSTAFA DEMİR

  2. Tez No

    850143

    Development of a blackout fabric with improved acoustic properties made from hollow bicomponent filament yarns

    Boşluklu bikomponent filament ipliklerden mamul akustik özellikleri iyileştirilmiş blackout kumaş tasarımı

    HACER MERVE BULUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Tekstil ve Tekstil Mühendisliğiİstanbul Teknik Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    PROF. DR. CEVZA CANDAN

  3. Tez No

    790277

    Metasezgisel algoritmalar ve derin öğrenme kullanılarak çok kaynaklı görüntü füzyonu

    Multi-source image fusion using metaheuristic algorithms and deep learning

    ASAN IHSAN ABAS ABAS

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NURDAN BAYKAN

  4. Tez No

    847190

    Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  5. Tez No

    615754

    TOF özelliği olan ve TOF özelliği olmayan PET/BT sistemlerinde görüntü kalitesinin karşılaştırılması

    Comparison of image quality in TOF and non-TOF PET / CT systems

    YAĞMUR İDİL ULUSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Radyoloji ve Nükleer Tıpİstanbul Üniversitesi-Cerrahpaşa

    Nükleer Tıp Ana Bilim Dalı

    PROF. DR. MUSTAFA DEMİR

Geri Dön