使用卷积神经网络将PET原始数据转化为图像,用于事件分类
Paweł Konieczka1, Lech Raczyński1, Wojciech Wiślicki1
1Department of Complex Systems, National Centre for Nuclear Research, 05-400 Świerk, Poland.
Mathematical biosciences and engineering : MBE
|September 7, 2023
概括
这项研究将表态正子发射断层扫描 (PET) 数据转化为用于卷积神经网络 (CNN) 分析的矩阵. 这种新的特征工程方法提高了PET成像数据的分类准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 核医学是一种核医学.
背景情况:
- 卷积神经网络 (CNN) 用于正电子发射断层扫描 (PET) 成像中的模式识别.
- 未经处理的PET巧合数据通常以表格格式,这对直接CNN应用提出了挑战.
- 现有的方法需要预处理的PET数据,限制对原始巧合事件的直接分析.
研究的目的:
- 开发一种方法,将表式PET巧合数据转换为n维矩阵.
- 用CNNs准备表格式PET数据进行分类.
- 评估此数据转换方法在分类模拟PET事件中的性能.
主要方法:
- 开发了一种非线性转换,将表式PET巧合数据转换为n维矩阵.
- 利用主要组件分析 (PCA) 来从转换的数据中提取特征和创建图像.
- 应用了该方法来对使用各种神经网络架构 (MLP,CNN) 的NEMA IEC和XCAT幻影的模拟PET巧合事件进行分类.
主要成果:
- 开发的方法将特征的数量从6增加到209.
- 在测试的神经网络架构中获得了最高的精度 (79.8%).
- 在测试不同幻影的数据时,表现出最小的性能退化.
结论:
- 拟议的数据转换和特征工程方法有效地为基于CNN的分类准备表格式PET数据.
- 这种方法提高了机器学习应用的原始PET巧合数据的实用性.
- 该方法在PET成像分析中显示出强度和改进的分类精度.
