在正子发射断层扫描中数据驱动门的无监督深度学习框架

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 核医学就是核医学.

背景情况:

• 生理运动,特别是呼吸运动,限制了正电子发射断层扫描 (PET) 成像中的空间分辨率.
• 运动诱导的PET和CT图像之间的错误注册可能会导致减弱校正器件.
• 呼吸道门技术对于减轻运动工件和提高图像质量至关重要.

研究的目的:

• 提出一种强大的数据驱动方法,用于PET成像中的呼吸道门,使用无监督的深度集群网络.
• 利用自动编码器 (AE) 来从PET数据中提取隐藏的特征,以实现有效的呼吸门.

主要方法:

• 列表模式的PET数据被划分为短时间框架,并在没有修正的情况下重建,以尽量减少文物和重建时间.
• 在重建的框架上训练了一个深度自编码器 (AE),以提取无监督呼吸道门的潜在特征.
• 对这些潜在的呼吸门特征进行了K-means聚类,并对外部信号和主要成分分析 (PCA) 方法进行了评估.

主要成果:

• 与外部和图像PCA方法相比,拟议的深度聚类方法产生了具有优越对比度和更清晰的心肌边界的封闭PET图像.
• 定量分析表明,与深度聚类方法相比,质量中心 (COM) 位移更大,病变对比度更高.
• 该方法有效地减少了运动诱导的文物,提高了诊断准确度.

结论:

• 拟议的深度集群框架为PET成像提供了卓越的呼吸门性能.
• 使用幻影和患者数据的验证证实了该方法对传统技术的有效性.
• 这种方法为在生理运动的情况下提高PET图像质量提供了一个有希望的解决方案.