基于深度学习的PET图像解消和重建:一篇综述
Fumio Hashimoto1,2,3, Yuya Onishi4, Kibo Ote4
1Central Research Laboratory, Hamamatsu Photonics K. K, 5000 Hirakuchi, Hamana-Ku, Hamamatsu, 434-8601, Japan. fumio.hashimoto@crl.hpk.co.jp.
Radiological physics and technology
|February 6, 2024
概括
本综述详细介绍了正电子发射断层扫描 (PET) 图像重建的演变,从传统方法到用于改进PET成像的先进深度学习技术. 它涵盖denoising,端到端重建和混合代方法,强调未来的方向.
科学领域:
- 医疗成像医学成像
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 定子发射断层扫描 (PET) 是一种关键的分子成像技术.
- 准确的图像重建对于PET的诊断效果至关重要.
- 传统的重建算法在速度和分辨率方面存在局限性.
研究的目的:
- 提供对PET图像重建算法的全面概述.
- 审查深度学习在PET成像中的整合和影响.
- 探索PET和AI交集的未来趋势.
主要方法:
- 传统PET重建的概述:过后投影 (FBP) 和代算法.
- 对 PET 中的深度学习 (DL) 方法的审查:后处理,直接重建和混合代方法.
- 对PET数据应用DL技术的分析,以提高图像质量和重建.
主要成果:
- 深度学习方法在PET图像消毒和重建方面提供了显著的改进.
- 端到端的DL模型可以有效地学习直接的synogram-to-image映射.
- 混合代方法将传统算法与神经网络相结合,以获得卓越的性能.
结论:
- 深度学习正在彻底改变PET图像重建,提供更高的准确性和效率.
- 未来的PET成像可能将集成先进的AI和机器学习技术.
- 对PET的DL的持续研究有望在分子成像方面取得进一步的突破.
