通过深度学习学习无CT减弱校正的全身PET图像
Wenbo Li1,2, Zhenxing Huang1, Zixiang Chen1,2
1Lauterbur Research Center for Biomedical Imaging, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, 518055, China.
European radiology
|February 15, 2024
概括
这项研究引入了一种深度学习方法,以创建无CT减弱校正的全身PET图像,显著减少患者的辐射暴露. 生成的图像保持高质量,为PET/CT成像提供更安全的替代方案,特别是在脆弱的患者群体.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 全身PET/CT扫描仪提供了更好的图像质量,但使患者暴露在CT扫描中的电离辐射中.
- 在全身PET/CT中减少放射性药物剂量会加剧CT的辐射负担.
- 目前的方法需要CT进行减弱校正,这可能会造成辐射风险.
研究的目的:
- 开发一种基于深度学习的方法,用于生成无CT减弱校正 (CTF-AC) 全身PET图像.
- 为了减少对患者进行全身PET/CT扫描的电离辐射剂量.
- 为PET/CT成像提供一个可行的替代方案,特别是对于儿科和慢性病患者.
主要方法:
- 在122名受试者的全身PET数据上使用了一个循环一致的生成对抗网络 (Cycle-GAN).
- 集成的网站结构作为先前信息来生成CTF-AC图像.
- 进行统计分析,包括Pearson相关系数和t测试,以验证.
主要成果:
- 生成的CTF-AC全身PET图像与真正的减弱校正PET图像非常相似.
- 实现了高峰信号噪声比率 (36.92 ± 5.49 dB) 和结构相似度指数 (0.980 ± 0.041) 的测量.
- 与真实AC PET图像相比,证明了一致的标准化吸收值 (SUV) 分布.
结论:
- 深度学习方法成功生成CTF-AC全身PET图像,降低辐射风险.
- 该方法在不同的放射性药物剂量中得到了验证,并显示出低剂量PET减弱校正的潜力.
- 这种无CT的方法对PET/MRI或仅PET的系统有好处,并减少了冗余的解剖扫描辐射.
