通过深度学习,基于uEXPLORER全身PET系统的短轴PET图像质量改进

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 核医学是一种核医学.

背景情况:

• 轴视野 (AFOV) 显著影响正子发射断层扫描 (PET) 图像质量.
• 全身PET扫描仪 (如uEXPLORER) 提供更高的灵敏度,但成本昂贵,难以使用.
• 从短轴PET扫描仪优化图像质量对于更广泛的临床应用至关重要.

研究的目的:

• 为了利用uEXPLORER全身PET扫描仪的高质量图像来增强短轴PET扫描仪的图像.
• 利用深度学习技术来提高以有限的轴向视野 (AFOV) 获得的PET图像的质量.
• 以更低的经济成本实现更高的PET图像质量.

主要方法:

• 使用了来自335名患者的大脑,肺部和腹部的PET图像.
• 训练了一个3D Unet模型,将低质量的PET (LQ-PET) 图像 (320mm AFOV) 映射到高质量的PET (HQ-PET) 图像 (1940mm AFOV).
• 模型性能使用峰值信号与噪声比率 (PSNR),结构相似度指数 (SSIM) 和专家临床读数来评估.

主要成果:

• 在所有解剖位置上,生成的PET图像在数量和质量上与HQ-PET图像可比.
• 实现了高PSNR (例如,大脑35.41dB) 和平均SSIM (>0.94) 值,表明图像质量得到了显著改善.
• 专家评估评价生成的图像很高,标准摄入值 (SUV) 的定量分析证实与HQ-PET一致.

结论:

• 拟议的深度学习技术有效地提高了320毫米或更短AFOV的扫描仪的PET图像质量.
• 这种方法证明了使用全身PET数据的潜力,以提高短期轴PET成像的经济性.
• 这些发现支持将人工智能驱动的改进整合到计算机辅助诊断系统中,以改善患者护理.