Because of the long acquisition time of Positron Emission Tomography scanners, the reconstructed images are blurred by motion. We hereby propose a novel motion-correction maximum-likelihood expectation-maximization algorithm integrating 3D movements between the different gates estimated by a neural network trained on synthetic data with contrast invariance. We show that, compared to the classic reconstruction method, this algorithm can increase the image quality on realistic synthetic 3D data of a human body, in particular, the contrast of small carcinogenic lung lesions. For the detection of lesions of one cm on four gates for medium and high noise levels, the studied algorithm gave an increase of 45 to 130% of the Pearson correlation coefficient in comparison with classic reconstruction methods without deformations. / På grund av den långa insamlingstiden för Positron Emission Tomography skannrar, blir de rekonstruerade bilderna suddiga av rörelse. Vi föreslår härmed en ny algoritm för maximal sannolikhet för rörelsekorrigering förväntningar-maximering som integrerar 3D-rörelser mellan de olika grindarna uppskattade av ett neuralt nätverk tränat på syntetisk data med kontrastinvarians. Vi visar att, jämfört med den klassiska rekonstruktionsmetoden, kan denna algoritm öka bildkvaliteten på realistiska syntetiska 3D-data från en människokropp, i synnerhet kontrasten av små cancerframkallande lungskador. För detektion av lesioner på en cm på fyra grindar för medelhöga och höga ljudnivåer gav den studerade algoritmen en ökning med 45 till 130% av Pearsons korrelationskoefficient i jämförelse med klassisk rekonstruktionsmetod utan deformationer.

Positron Emission Tomography (PET) is pivotal in medical imaging but is prone to artifactsfrom physiological movements, notably respiration. These motion artifacts both degradeimage quality and compromise precise attenuation correction. To counteract this, gatingstrategies partition PET data in synchronization with respiratory cycles, ensuring each gatenearly represents a static phase. Additionally, a 3D deep learning image registration modelcan be used for inter-gate motion correction, maximizing the use of the full acquired data. Thisstudy aimed to implement and evaluate two gating strategies: an external device-based approachand a data-driven centroid-of-distribution (COD) trace algorithm, and assess their impact on theperformance of the registration model. Analysis of clinical data from four subjects indicated thatthe external device approach outperformed its data-driven counterpart, which faced challengesin real-patient settings. Post motion compensation, both methods achieved results comparableto state-of-the-art reconstructions, suggesting the deep learning model addressed some data-driven method limitations. However, the motion corrected outputs did not exhibit significantimprovements in image quality over state-of-the-art standards. / Positronemissionstomografi (PET) är fundamentalt inom medicinsk avbildning men påverkasav artefakter orsakade av fysiologiska rörelser, framför allt andning. Dessa artefakter påverkarbildkvaliteten negativt och försvårar korrekt attenueringskorrigering. För att motverka dettakan tekniker för rörelsekorrigering tillämpas. Dessa innefattar gating-tekniker där PET-dataförst synkroniseras med andningscykeln för att därefter segmenterateras i olika så kalladegater som representerar en specifick respiratorisk fas. Vidare kan en 3D djupinlärningsmodellanvändas för att korrigera för rörelserna mellan gaterna, vilket optimerar användningen av allinsamlad data. Denna studie implementerade och undersökte två gating-tekniker: en externenhetsbaserad metod och en datadriven ”centroid-of-distribution (COD)” spår-algoritm, samtanalyserade hur dessa tekniker påverkar prestandan av bildregistreringsmodellen. Utifrånanalysen av kliniska data från fyra patienter visade sig metoden med den externa enhetenvara överlägsen den datadrivna metoden, som hade svårigheter i verkliga patient-situationer.Trots detta visade bildregistreringsmodellen potential att delvis kompensera för den datadrivnametodens begränsningar, då resultatet från båda strategeierna var jämförbara med befintligaklinisk bildrekonstruktion. Dock kunde ingen markant förbättring i bildkvalitet urskiljas av derörelsekorrigerade bilderna jämfört med nuvarande toppstandard.