PETformer网络使得超低剂量全身PET成像能够在没有结构先验的情况下实现

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:

• 阳离子发射断层扫描 (PET) 对于代谢成像至关重要,但涉及对电离辐射的暴露.
• 在不影响诊断准确性的情况下,尽量减少PET扫描中的辐射剂量是一个重大的临床挑战.
• 目前的消毒方法通常需要补充成像,如CT或MRI.

研究的目的:

• 开发一种新的深度学习模型,PETformer,用于消除超低剂量的PET图像.
• 为了实现高质量的PET成像,显著减少辐射暴露.
• 为疾病诊断创建仅使用PET的解决方案,消除了对结构前置的需求.

主要方法:

• 一个新的神经网络架构,PETformer,基于U-net的骨干.
• 整合了多头转移注意力,内核基础注意力和道注意力机制.
• 在317名患者的数据集上进行培训和验证,使用全身uEXPLORER PET/CT扫描仪.

主要成果:

• 与现有的算法相比,PETformer在各种剂量降低级别中表现出优异的脱光性能.
• 在结构相似性指数测量和肝脏信号与噪声比率方面观察到显著的改善.
• 实现了解剖细节的有效恢复和在小病变中保持吸收值.

结论:

• 在保持诊断质量的同时,PETformer可以在PET成像中大幅降低剂量 (降至2%).
• 该模型使用仅PET数据促进了准确的疾病诊断,提高了患者的安全性.
• PETformer的计算效率和参数数量表明它适合商业应用.