交叉注意力改善了大脑PET中的运动校正
Zhuotong Cai1,2,3, Tianyi Zeng2, Eléonore V Lieffrig2
1Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University, China.
Machine learning in clinical neuroimaging : 6th international workshop, MLCN 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, proceedings. MLCN (Workshop) (6th : 2023 : Vancouver, B.C.)
|January 4, 2024
概括
与交叉注意力的深度学习改善了正电子发射断层扫描 (PET) 头部运动校正. 这种方法提高了对象的图像质量,而不需要硬件运动跟踪,有助于临床诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 在正子发射断层扫描 (PET) 扫描过程中头部运动会导致人工物,降低图像质量并限制临床诊断.
- 现有的PET运动校正深度学习方法需要硬件运动跟踪,并且难以跨学科通用.
研究的目的:
- 开发一个深度学习模型,整合一个交叉注意力机制,用于在PET成像中进行强大的头部运动校正.
- 为了提高运动校正在不同受试者和PET扫描仪无需硬件运动跟踪的普遍性.
主要方法:
- 开发了一个包含交叉注意力机制的监督深度学习网络,以从PET数据中学习头部运动.
- 交叉注意力识别参考和移动图像之间的空间对应,专注于头部区域进行校正.
- 该模型在来自两个具有不同能力 (ToF) 的扫描仪 (HRRT和mCT) 的脑PET数据上得到验证.
主要成果:
- 与传统和深度学习基准相比,交叉注意力模型显著改善了运动校正性能.
- 在HRRT研究中,在多个受试者中观察到58% (翻译) 和26% (旋转) 的改善.
- 在mCT研究中,实现了66% (翻译) 和64% (旋转) 的性能提升.
结论:
- 拟议的交叉注意力机制提高了基于深度学习的PET运动校正的稳定性和准确性.
- 这种方法显示了改善大脑PET图像重建质量的潜力,而无需依赖硬件运动跟踪.
- 该方法提供了一种有希望的解决方案,用于使用PET成像进行更可靠的临床诊断和治疗规划.
![Studying Metabolic Brain Connectivity Using 2-Deoxy-2-[18F]Fluoro-D-Glucose Dynamic Positron Emission Tomography at the Single-subject Level](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F67458.jpg&w=3840&q=50)
