通过Sim2Real基于深度学习的组织组成估计与MLACF结合生成PET衰减图
Tetsuya Kobayashi1, Yui Shigeki2, Yoshiyuki Yamakawa3
1Technology Research Laboratory, Shimadzu Corporation, 3-9-4, Hikaridai, Seika-cho, Soraku-gun, Kyoto, 619-0237, Japan. t_kobaya@shimadzu.co.jp.
Journal of imaging informatics in medicine
|February 12, 2024
概括
这项研究引入了一种深度学习 (DL) 方法,用于正电子发射断层扫描 (PET) 成像中CT-less减弱校正 (AC). DL模型估计了组织组成,以生成衰减图,显示了与基于CT的方法可比的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 射线物理学 射线物理学
背景情况:
- 定子发射断层扫描 (PET) 成像需要精确的减弱校正 (AC) 来进行定量分析.
- 计算机断层扫描 (CT) 通常用于AC,但这增加了辐射剂量和复杂性.
- 开发没有CT的AC方法是PET研究的一个重要目标.
研究的目的:
- 介绍第一个基于Sim2Real深度学习 (DL) 的方法,用于仅使用模拟PET数据生成人类头部衰减图.
- 评估基于DL的组织组成估计的可行性,以便在PET中进行CT-less减弱校正.
主要方法:
- 在模拟的PET数据上训练了一个DL模型,从2D非ACPET图像中估计一个四通道组织组成图 (软组织,骨,腔,背景).
- 衰减图是从DL衍生的组织组成图生成的.
- 基于DL的衰减图用于散射+随机估计,并作为最大概率衰减校正因子 (MLACF) 改进的初步估计.
主要成果:
- DL模型证明了在临床大脑PET数据中估计整体解剖结构的能力.
- 虽然在解剖学细节中发现了一些不准确,特别是在部侧切片中,但基于DL的AC实现了与基于CT的AC可比的定量准确性.
- 结合DL和MLACF的方法显示出作为一个无CTACAC解决方案的希望.
结论:
- 提出的基于DL的方法提供了一种可行的方法,用于在PET中进行CT-less减弱校正.
- 结合DL基组织估计与MLACF精细化,为改善无CTPET成像提供了一个有希望的策略.
- 需要进一步开发以解决解剖细节估计的局限性,以获得更广泛的临床应用.
