MCP-Net:用于全身动态PET的跨运动校正与Patlak调节
Xueqi Guo1, Bo Zhou1, Xiongchao Chen1
1Yale University, New Haven, CT 06511, USA.
概括
在动态PET成像中,MCP-Net通过优化标记器动力学来纠正患者的跨运动. 这种深度学习框架提高了参数图像的空间对齐和定量准确性.
科学领域:
- 医疗成像医学成像
- 核医学是一种核医学.
- 人工智能的人工智能
背景情况:
- 在动态PET中,患者的框架间运动会导致空间错位,降低参数图像质量.
- 当前的深度学习方法往往忽略了运动校正中的标记器动力学.
研究的目的:
- 引入MCP-Net,这是一个用于动态PET的框架间运动校正的新框架.
- 通过直接优化帕特拉克适配错误来改善参数成像.
主要方法:
- MCP-Net集成了运动估计 (3D U-Net与ConvLSTM),图像扭曲和分析的帕特拉克拟合.
- 纳入了帕特拉克损失条款,包括平均平方百分比的适配误差.
- 参数图像是使用标准的Patlak分析后校正生成的.
主要成果:
- MCP-Net有效地纠正动态PET框架中的剩余空间不匹配.
- 观察到帕特拉克Ki/Ve图像的空间对齐得到改善.
- 与基准标准相比,规范化的安装错误明显减少.
结论:
- 通过利用追踪器动态,MCP-Net提高了动态PET的定量准确性.
- 该框架显示了改善整体PET图像分析和诊断能力的潜力.


