M3S-Net:多模式多分支多自我注意网络,用于低剂量PET/CT增强剂的结构促进损失
Dong Wang1,2, Chong Jiang3, Jian He4
1School of Mathematics/S.T.Yau Center of Southeast University, Southeast University, 210096, People's Republic of China.
Physics in medicine and biology
|December 12, 2023
概括
一个新的深度学习模型,M3S-Net,从低剂量扫描生成高质量的正子发射断层扫描 (PET) 图像. 这一进步减少了辐射暴露和扫描时间,提高了患者的舒适度,并使动态PET成像成为可能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 定子发射断层扫描 (PET) 涉及射线追踪器注射和长时间的扫描,引发了对辐射暴露和患者舒适度的担忧.
- 减少辐射追踪器剂量和采集时间可以减轻风险,但由于光子数量较低,图像质量会降低.
研究的目的:
- 开发一种提高低剂量PET图像质量的方法.
- 从低剂量PET和相应的CT图像中生成标准剂量PET图像.
主要方法:
- 一个监督的多模式深度学习模型,M3S-Net,是使用多分支卷积神经网络设计的,具有多个自我注意力机制.
- 该模型从PET和CT图像中分别提取特征,将它们合并并生成最终的PET图像.
- 一个新的多模式结构促进术语被纳入损失函数,以利用CT图像中的解剖信息.
主要成果:
- 与最先进的方法相比,M3S-Net在真实临床数据上实现了更高的客观指标.
- 该模型产生了改进的瘤描绘,边缘保护和噪音和文物抑制.
- 产生的低剂量PET图像的质量与标准剂量PET图像的质量相当.
结论:
- M3S-Net模型有效地从低剂量采集中生成高质量的PET图像.
- 这种方法为减少PET获取时间和辐射剂量提供了有价值的方法.
- 该技术显示出在动态PET成像中的应用潜力.
