低剂量PET鼠标扫描与深度学习的图像否定:临床前成像适用性的验证研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 临床前研究 临床前研究

背景情况:

• 阳离子发射断层扫描 (PET) 图像质量至关重要,但在临床前环境中,由于注射活动和获取时间的实际限制,往往受到限制.
• 标准的临床前放射性剂量可以诱导生物变化,需要更低的剂量或更短的扫描,这导致噪音,低数量的图像.
• 在低数量采集中的图像噪声挑战了微型PET研究中准确的解释和定量分析.

研究的目的:

• 开发和评估基于图像的深度学习 (DL) 框架,用于消除低数量的微PET图像.
• 为了提高微PET扫描中的图像质量和定量准确性,减少了追踪器活动或获取持续时间.
• 为优化临床前,纵向微型PET成像协议提供更灵活的方法.

主要方法:

• 一个2D U-Net深度学习模型被训练使用高数和人工低数微PET图像对的平均平方误差损失.
• 通过对36只小鼠的15分钟[18F]FDG扫描进行分析,将低数量的图像模拟成分数,分别占总数的50%,25%,10%和5%.
• 将DL框架的性能与传统的空间和边缘保护无雾过器进行了比较.

主要成果:

• 与传统过器相比,基于DL的方法显著降低了图像噪声,并恢复了比较细微的细节,同时保持了定量准确性 (SUV).
• 在完全数量的10%和5%重建的图像中观察到显著的图像质量改善,相当于亚-1 MBq或亚-1 分钟扫描.
• DL拒绝框架在幻影和各种微PET标记物上成功应用,包括[18F]PSMA,[18F]FAPI和[68Ga]FAPI.

结论:

• 实施的深度学习模型在消除低统计数据的微PET图像方面表现出卓越的性能和稳定性.
• 这种DL方法为优化临床前成像协议提供了更大的灵活性,因为它可以减少痕迹剂量或缩短扫描时间.
• 这些发现支持使用DL来提高微PET成像在研究环境中的质量和实用性.