在使用深度学习的双面板PET重建中的空间变异变形的恢复
Juhi Raj1, Maël Millardet1, Srilalan Krishnamoorthy1
1Department of Radiology, University of Pennsylvania, Philadelphia 19104, United States of America.
Physics in medicine and biology
|February 8, 2024
概括
深度学习 (DL) 网络有效地纠正双面板PET成像中的空间变形. 这种方法显著提高了乳房-PET系统中小型和大型对象的定量性能.
科学领域:
- 医疗成像医学成像
- 核医学就是核医学.
- 图像重建 图像的重建
背景情况:
- 双面板PET扫描仪,像乳腺PET一样,由于有限的角度数据和相互作用深度效应,产生空间变异的图像变形.
- 之前的研究使用了飞行时间 (TOF) 和点传播函数 (PSF) 模型来减轻这些变形,改善了小损伤量化,但对较大的物体而言有限.
研究的目的:
- 调查深度学习 (DL) 网络在纠正双面板PET系统中严重的空间变异图像变形方面的有效性.
- 评估DL在存在有限角度重建文物的情况下提高定量性能的能力.
主要方法:
- 在一般的双面板PET系统的图像空间中模拟PSF变形.
- 在模拟数据上训练DL网络与地面真相,然后在模拟和获得的双面板乳腺PET幻影数据上进行测试.
- 在合成和真实B-PET数据上使用DIRECT-RAMLA重建作为DL网络的输入.
主要成果:
- DL网络证明了其在消除有限角度PET系统中固有的图像变形方面的显著能力.
- 深度学习方法大大提高了重建图像的定量准确性.
结论:
- 深度学习为纠正双面板PET成像中的复杂图像变形提供了强大的解决方案.
- 基于DL的方法可以显著提高乳腺PET扫描仪的定量性能,克服传统PSF建模的局限性.
