用贝叶斯深度学习伪CT和活动和衰减的最大概率估计对PET/MRI进行衰减系数估计
Andrew P Leynes1,2, Sangtae Ahn3, Kristen A Wangerin4
1Department of Radiology and Biomedical Imaging, University of California at San Francisco, San Francisco, CA 94158 USA.
IEEE transactions on radiation and plasma medical sciences
|January 15, 2024
概括
这项研究引入了一种不确定性意识深度学习方法,用于改进PET/MRI减弱校正,提高病变检测和金属文物恢复的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 核医学就是核医学.
背景情况:
- 在PET/MRI中基于磁共振的减弱校正 (MRAC) 面临着文物和MRI对比度限制的挑战.
- 准确的骨划分,密度和空气/骨分离对于MRAC仍然至关重要.
研究的目的:
- 开发一个新的贝叶斯深卷积神经网络,以改善MRAC中的伪CT生成和不确定性估计.
- 为了将不确定性估计与活动和减弱的最大概率估计 (MLAA) 整合起来,以生成强大的减弱地图.
主要方法:
- 提出贝叶斯深层卷积神经网络,从MRI数据生成伪CT和不确定性图.
- 结合伪CT不确定性估计与使用PET排放数据的MLAA重建.
- 在盆腔病变成像和在有或没有金属植入物的患者中评估了方法 (UpCT-MLAA).
主要成果:
- UpCT-MLAA在盆腔病变和金属植入物成功恢复方面证明了精确的PET吸收估计.
- 在非植入患者中,UpCT-MLAA与其他方法相比,对CTAC的RMSE略高.
- 虽然MLAA恢复了植入物,但Dixon基于MRI的伪CT不准确地估计了金属植入物衰减为空气.
结论:
- 拟议的UpCT-MLAA方法有效地估计金属植入物的衰减系数,并提供植入区域以外的精确解剖描绘.
- 这种方法解决了MRAC的关键局限性,为PET/MRI提供了更好的定量准确性.
- 伪CT生成中的不确定性估计对于在有工件的情况下进行强大的减弱校正至关重要.
更多相关视频
15:10A Dual Tracer PET-MRI Protocol for the Quantitative Measure of Regional Brain Energy Substrates Uptake in the Rat
Published on: December 28, 2013
7.1K
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
12.2K
