基于注意力的深度神经网络用于大脑中部分体积校正¹⁸ F-FDG PET成像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 核医学是一种核医学.

背景情况:

• 位子发射断层扫描 (PET) 成像中的部分体积效应 (PVE) 可以扭曲定量分析.
• 精确的PVE校正 (PVC) 对于可靠的PET扫描解释至关重要.

研究的目的:

• 开发基于注意力的深度神经网络 (ATB-Net),用于PET成像中的PVE校正.
• 在不依赖于解剖学信息的情况下评估ATB-Net的性能.

主要方法:

• 一个ATB-Net模型被设计为专注于PVE纠正的相关解剖学大脑区域.
• 网络在有或没有注意力模块的情况下进行训练,其性能与标准U-Net.
• 两种PVE校正方法,代的 (IY) 和重新模糊的范-西特特 (RVC),用于生成参考图像.

主要成果:

• 在PSNR,SSIM和RMSE等指标上,ATB-Net表现优于标准U-Net.
• 虽然RVC的业绩增长是适度的,但ATB-Net显示了区域性IY方法的实质性改进.
• 使用ATB-Net.net观察到平均绝对相对SUV差异和偏差的显著减少.

结论:

• 基于注意力的深度学习模型可以在PET成像中实现有效的PVE校正.
• 拟议的ATB-Net为PVE纠正提供了一个可行的解决方案,不需要解剖数据,增强PET扫描的实用性.