Learning-Based Enhancement of MLEM-Reconstructed PET Images for Small-Animal Proton Therapy Monitoring

This thesis studies learning-based post-reconstruction enhancement for positron emission tomography (PET) images in conditions relevant to SIRMIO, a small-animal proton irra- diation and imaging system. PET monitoring in proton therapy reconstructs activity from positron-emitting isotopes produced during irradiation; in practice compact geometry, low statistics, intrinsic detector background and iterative artefacts from image reconstruction techniques can degrade image quality and quantification. A simulation pipeline generated controlled PET datasets with known ground truth. Vox- elized distributions were simulated with Geant4 in the SIRMIO geometry, including 176 Lu background, Poisson timestamping, detector response, coincidence selection and list-mode formation. Data were reconstructed with sensitivity-corrected MLEM, producing inter- mediate volumes used as input to a supervised 3D residual U-Net. The study compares single-channel models trained on one MLEM iteration with multi- channel models using stacks of iterations from the same acquisition. The evaluation protocol covered active-region error, structural similarity, activity recovery, background suppression, global metrics and matched–mismatched train–test analyses. In matched conditions, learned enhancement improved MLEM. The best single-channel model re- duced active NRMSE from 0.884 to 0.409. Multi-channel models improved structure and background: the best setup raised active SSIM from 0.294 to 0.646 and reduced back- ground RMSE from 11.5 to 5.71. With mismatched inputs, the learned enhancements reduced the severity and variability of failures, but did not remove input sensitivity. The results show that intermediate MLEM reconstructions contain complementary in- formation exploitable by supervised enhancement. Multi-iteration input is therefore a useful strategy for PET post-reconstruction enhancement, especially when robustness to reconstruction-input variation matters.

Questa tesi studia l’enhancement post-ricostruzione di immagini PET con metodi learning-based in condizioni rilevanti per SIRMIO, sistema per irradiazione protonica e imaging PET preclinico. Il monitoraggio PET in protonterapia ricostruisce l’attività degli isotopi emettitori di positroni prodotti durante l’irradiazione, ma geometrie com- patte, statistiche limitate, fondo intrinseco e artefatti iterativi possono ridurre qualità dell’immagine e affidabilità quantitativa. Una pipeline simulativa ha generato dataset PET controllati con ground truth nota. Fan- tocci voxelizzati sono stati simulati con Geant4 nella geometria SIRMIO, includendo fondo da 176 Lu, assegnazione temporale poissoniana, risposta del rivelatore, selezione delle coin- cidenze e dati list-mode. I dati sono stati ricostruiti con MLEM normalizzato in sensibilità, ottenendo volumi intermedi usati come input per una 3D residual U-Net supervisionata. Lo studio confronta modelli single-channel, addestrati su una singola iterazione MLEM, e modelli multi-channel, basati su stack di iterazioni della stessa acquisizione. Il pro- tocollo di valutazione include errore nelle regioni attive, similarità strutturale, recupero di attività, soppressione del fondo, metriche globali e analisi matched–mismatched. In condizioni matched, l’enhancement migliora nettamente MLEM. Il miglior single-channel riduce l’active NRMSE da 0.884 a 0.409. I modelli multi-channel migliorano struttura e fondo: la migliore configurazione aumenta l’active SSIM da 0.294 a 0.646 e riduce il background RMSE da 11.5 a 5.71. In condizioni mismatched gli enhancement riducono severità e variabilità dei fallimenti, senza eliminare la sensibilità all’input. I risultati mostrano che le ricostruzioni MLEM intermedie contengono informazioni com- plementari sfruttabili da modelli supervisionati. L’input multi-iterazione è quindi una strategia utile per l’enhancement post-ricostruzione PET, soprattutto quando è richiesta robustezza alla variazione dell’input ricostruttivo.