基于深度学习方法的瘤PET成像定量准确性的比较研究
Yiyi Hu1,2,3, Doudou Lv1,2,3, Shaojie Jian1,2,3
1Department of Nuclear Medicine, First Hospital of Shanxi Medical University, Shanxi Medical University, Taiyuan, China.
Quantitative imaging in medicine and surgery
|June 7, 2023
概括
像3D Unet和P2P这样的深度学习模型可以通过减少扫描时间来显著提高[18F]氧糖 (FDG) PET/CT图像质量. 3D Unet 模型在瘤病变的对比度和噪声比率上表现出卓越的增强,满足了临床诊断需求.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- [18F]氧葡萄糖 (FDG) PET/CT对于瘤评估至关重要.
- 减少扫描时间和放射性追踪剂剂量是关键的挑战.
- 深度学习为优化PET/CT协议提供解决方案.
研究的目的:
- 评估深度学习模型,用于从低剂量采集中重建全剂量[18F]FDG PET/CT图像.
- 为了比较卷积神经网络 (CNN) 和生成对立网络 (GAN) 架构的性能.
- 为了确定加速PET/CT成像的最佳神经网络.
主要方法:
- 对接受[18F]FDG PET/CT的311名瘤患者的回顾性分析.
- 模拟低剂量PET图像使用15秒和30秒的每一个3分钟床上获取.
- 应用3D Unet (CNN) 和P2P (GAN) 来从低剂量输入中预测全剂量图像.
- 比较图像质量得分,噪声水平和定量瘤参数.
主要成果:
- 在所有深度学习组的图像质量得分中具有很高的一致性 (Kappa=0.719).
- 3D Unet 和 P2P 模型都降低了背景噪声和增加了信号对噪声比 (SNR).
- 与标准协议相比,3D Unet显著提高了对比度和噪声比率 (CNR),并保持了定量准确性 (SUVmean,SUVmax).
结论:
- 生成对抗网络 (GAN) 和卷积神经网络 (CNN) 模型有效地减少噪音并提高 [18F]FDG PET/CT.中的图像质量.
- 3D Unet在改善瘤病变的CNR,同时保持定量准确度方面表现出色,使其适用于缩短扫描时间的临床诊断.


