通过情境感知深度网络增强全身PET图像的直接关节减弱和散射校正
Saeed Izadi1, Isaac Shiri2, Carlos F Uribe3
1Medical Image Analysis Lab, School of Computing Science, Simon Fraser University, Canada.
Zeitschrift fur medizinische Physik
|February 1, 2024
概括
这项研究引入了一个新的深度学习框架,用于精确的正子发射断层扫描 (PET) 图像校正,而无需CT扫描. 该方法适应个体患者的变化,提高PET成像的定量准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射化学 放射化学是指辐射化学.
背景情况:
- 在正电子发射断层扫描 (PET) 中进行准确的定量重建需要减弱和散射校正.
- 深度学习 (DL) 模型提供自动校正,使CT-less/MR-less PET应用成为可能.
- 现有的DL方法使用固定的模型,未能考虑患者特异性追踪剂吸收变化.
研究的目的:
- 开发一种新的DL框架,用于在没有结构信息的PET图像中进行直接减弱和散射校正.
- 在PET成像中解决主体间和主体内标记物吸收变化的问题.
主要方法:
- 一个新的DL框架,用于从未经纠正的PET图像中直接重建纠正的PET图像.
- 使用由邻近切片信息调制的上下文感知卷积内核进行主体和区域特定的过.
- 在910个全身PET研究的大队列上进行培训和评估.
主要成果:
- 定性评估显示,无CT校正的PET图像与CT校正的基底真相相似.
- 在112名受试者的定量评估中,绝对相对误差为14.30±3.88%,相对误差为-2.11%±2.73%.
结论:
- 拟议的CT-free DL框架准确地纠正PET图像,考虑到患者特定的吸收变化.
- 这种方法提高了PET成像的定量准确性,而不依赖CT或MR数据.
更多相关视频
09:49A Whole Body Dosimetry Protocol for Peptide-Receptor Radionuclide Therapy PRRT: 2D Planar Image and Hybrid 2D+3D SPECT/CT Image Methods
Published on: April 24, 2020
10.0K
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
1.1K
