动态低计数PET图像重建使用时空原始双网络
Rui Hu1, Jianan Cui2, Chenxu Li1
1State Key Laboratory of Modern Optical Instrumentation, Department of Optical Engineering, Zhejiang University, Hangzhou 310027, People's Republic of China.
Physics in medicine and biology
|June 13, 2023
概括
这项研究引入了一种新的深度学习方法STPDnet,用于更清晰的动态正子发射断层扫描 (PET) 成像. 它在低计数PET扫描中显著降低噪音,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 核医学是一种核医学.
- 人工智能的人工智能
背景情况:
- 动态正子发射断层扫描 (PET) 对于监测临床诊断和癌症治疗中的生理代谢至关重要.
- 重建动态PET图像是具有挑战性的,因为每的数量有限,特别是在超短中.
- 现有的深度学习方法往往忽视时间相关性,主要关注空间方面.
研究的目的:
- 开发一个先进的深度学习模型,用于动态的低数PET图像重建.
- 通过结合空间和时间信息来解决当前方法的局限性.
- 为了提高PET图像重建中的可解释性和物理约束.
主要方法:
- 提出了空间时间原始双重网络 (STPDnet),灵感来自学习的原始双重 (LPD) 算法.
- 利用3D卷积运算符来编码空间和时间的相关性.
- 将物理PET投影原理集成到网络的代学习过程中,以提高可解释性和约束性.
主要成果:
- 在时间和空间领域,STPDnet表现出了显著的噪音降低.
- 拟议的方法优于传统的方法,如最大概率预期最大化 (MLEM),时空内核方法,LPD和FBPnet.
- 在低计数场景中实现了优越的重建性能.
结论:
- STPDnet为动态低计数PET成像提供了改进的重建性能.
- 该方法特别适用于全身动态和参数PET成像,需要超短的和处理高噪音水平.
- 这一进步具有显著的潜力,可以在具有挑战性的PET应用中增强诊断能力.
