将深度学习与动态模型结合起来,预测动态PET图像并生成参数图像
Ganglin Liang1,2, Jinpeng Zhou3, Zixiang Chen1
1Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055, China.
EJNMMI physics
|October 24, 2023
概括
这项研究引入了一种深度学习方法,可以在30分钟内生成精确的动态正子发射断层扫描 (PET) 图像,改善信号噪声比 (SNR) 并减少扫描时间,以获得更好的临床诊断.
科学领域:
- 医疗成像医学成像
- 放射化学 放射化学是指辐射化学.
- 人工智能在医学中的应用
背景情况:
- 动态PET成像可用于临床诊断的代谢参数 (Ki) 计算.
- 目前的1小时扫描时间限制了动态PET实用性,因为扫描时间和K图像信号与噪声比 (SNR) 之间的权衡.
研究的目的:
- 开发一种生成高质量的动态PET图像的方法,可与30分钟时间内的1小时扫描相提并论.
- 改进30分钟动态PET扫描的SNR,减少整体扫描时间.
主要方法:
- 使用U-Net架构作为图像结构的特征提取器.
- 使用参数生成器创建一个时间活动曲线 (TAC) 两个组织,三个隔间模型.
- 从合成的动态PET数据中生成Ki参数图像.
主要成果:
- 网络生成的Ki地图显示,与标准30分钟扫描相比,结构相似度指数 (2.27%) 和峰值SNR (7.04%) 的改善.
- 对于深度学习衍生的Ki地图,根平均平方误差 (RMSE) 减少了16.3%.
- 该方法成功地在标准扫描时间的一半时间内生成了可比的Ki参数图像.
结论:
- 建议的深度学习方法是可行的,以实现令人满意的PET量化准确性.
- 这种方法有可能减少动态PET成像中的扫描时间.
- 需要进一步的临床验证才能进行常规应用.


