使用人工神经网络进行动态突触囊泡糖蛋白2A PET成像的剂量降低

科学领域:

• 医疗成像医学成像
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 低剂量正电子发射断层扫描 (PET) 成像增加了动态中的噪声,影响了动态参数估计.
• 现有的无声化方法难以平衡降噪与低剂量PET扫描中的偏差.

研究的目的:

• 开发和评估用于低剂量动态PET成像的时空无雾化技术.
• 为了提高从减少数量的动态PET中获得的参数图像的质量.

主要方法:

• 将级联人工神经网络 (ANN) 与高度受约束的反向投影 (HYPR) 方案集成.
• 在人类大脑中使用C-UCB-J PET成像数据实现突触囊糖蛋白2A (SV2A).
• 基于补丁的ANN训练了对特定主题的数据,并跨主题应用,其次是HYPR用于时间信息利用.

主要成果:

• 在动态中,ANN+HYPR技术实现了80%的噪声降低,在动态中偏差为-2%.
• 在追踪器吸收 (75%, -2%偏差) 和分布体积 (70%, -5%偏差) 图像中观察到显著的噪声降低.
• 该方法在健康志愿者和帕金森病患者中,与传统技术相比,在最小偏差下显示出优异的降噪.

结论:

• ANN+HYPR技术有效地消除了低剂量动态PET成像,提高了参数量化.
• 这种方法提供了相当于C-UCB-J SV2A PET成像剂量增加11倍的光能力.
• 开发的技术有望提高诊断准确度,减少PET研究中的辐射暴露.