使用深度学习进行乳腺PET/MR成像的减弱校正和截断完成

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 同时使用的PET/MR扫描仪提供高灵敏度和功能性成像功能.
• 对乳腺PET/MR成像进行精确的减弱校正 (AC) 是一个重大的技术挑战.
• 现有的方法在PET数据中的解剖切断和缺乏骨信息方面扎.

研究的目的:

• 开发一个强大的深度学习 (DL) 算法用于乳腺PET/MR减弱校正.
• 为了使切断完成和骨信息生成只使用PET数据.
• 建立可靠的AC方法,用于同时进行乳腺PET/MR成像.

主要方法:

• 训练了三个DL模型 (U-Net变体:DL_MAE,DL_MSE,DL_感知) 来预测合成CT (sCT) 图像从非减弱校正 (NAC) PET_{PET/MR图像.}
• 利用了23名患有侵袭性乳腺癌的女性受试者接受PET/CT和PET/MR治疗的数据.
• 基于DL的sCT重建的PET图像与基于CT的重建使用SUV错误和统计测试进行了比较.

主要成果:

• DL模型在MAE,峰值信号与噪声比率和正常化交叉相关性方面表现相似.
• 在DL_MSE/DL_{感知SCT和AC的参考CT之间没有观察到显著的SUV差异.}
• 所有DL方法在SUV分析中都超过了基于狄克森的方法.

结论:

• 具有MSE或感知损失的3D U-Net适用于乳腺PET/MR AC工作流程.
• 获得的sCT图像有助于成功完成截断和减弱校正.
• 这种DL方法增强了同时进行乳腺PET/MR成像的诊断效用.