一种适应位置的降噪方法,使用深度消除噪声的过器银行专门用于乳腺正子辐射断层扫描图像

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 专用乳腺正子发射断层扫描 (db-PET) 为早期乳腺癌检测和治疗监测提供了高灵敏度.
• 在db-PET中,图像质量可能会受到噪声的影响,特别是在探测器边缘,需要更长的扫描或更高的痕迹剂量.
• 当前的降噪技术往往不足,影响诊断准确性和患者舒适性.

研究的目的:

• 开发和评估基于深度学习的图像重建方法,以提高db-PET图像质量.
• 通过实现高质量的成像,缩短采集时间和减少放射性追踪剂量来降低患者负担.
• 为了应对db-PET探测器边缘的噪音和检测性问题的挑战.

主要方法:

• 设计了一种多适应性消除噪声的过器银行结构,由于噪声特性不同,训练数据按检测器区域进行细分.
• 使用了深度学习模型,采用了剩余学习和编码器-解码器架构.
• 使用列表模式数据进行图像重建,将1分钟的获取数据 (输入) 与7分钟的数据 (理想) 进行比较.

主要成果:

• 与高斯和非局部平均波器等传统波器相比,拟议的深度学习方法显著提高了图像质量.
• 在应用拟议过方法之前和之后,在最大标准化摄取值 (SUV) 中没有发现显著差异.
• 该方法成功地减少了噪音,并提高了db-PET图像中的可检测性.

结论:

• 开发的深度学习方法有效地提高了db-PET图像质量,为降低噪音提供了有价值的工具.
• 这种方法有可能通过缩短扫描时间和减少辐射追踪器要求来降低患者负担.
• 该技术有望提高使用db-PET的乳腺癌诊断和治疗评估的效率和准确性.