应用在PET图像上的深度学习增强方法的性能,采集时间缩短,采集时间缩短

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 核医学就是核医学.

背景情况:

• 加速PET/CT扫描对于患者的舒适性和吞吐量是可取的.
• 深度学习 (DL) 提供了增强低数PET图像的潜力.
• 在不同的重建方法中评估DL性能至关重要.

研究的目的:

• 评估用于加速[18F]FDG PET/CT成像的DL增强方法.
• 将DL性能与标准和高级重建算法进行比较.
• 评估DL增强对定量准确度 (SUVmax) 的影响.

主要方法:

• [18F]FDG PET/CT扫描 (1.5分钟/床) 被重建,模拟较短的获取时间 (66%的计数).
• DL软件 (SubtlePETTM,SP1和SP2) 从66%的数量中增强了图像.
• 图像也使用QClearTM重建,并使用SP2进行增强.
• 在所有方法中比较了定量SUVmax值.

主要成果:

• 使用SP2增强DL保持了与标准1.5分钟/床OSEM可比的定量精度 (SUVmax).
• 与SP1 (平均11.6%) 相比,SP2显示SUVmax差异较小 (平均为4.5%).
• QClearTM重建增加了SUVmax (平均8.9%),而QClearTM上的SP2与OSEM有很好的相关性.

结论:

• DL增强有效地提高了加速PET采集中的图像质量.
• 研究的DL方法可以减少PET获取时间,而不会影响定量SUVmax值.
• 基于人工智能的增强可以导致减少剂量并提高PET/CT的成本效益.