序列深度学习图像增强模型提高了PET中的诊断信心,病变检测能力和图像重建时间
Meghi Dedja1, Abolfazl Mehranian2, Kevin M Bradley3
1Oxford University Hospitals, Oxford, UK.
EJNMMI physics
|March 15, 2024
概括
序列深度学习算法 (DLE和DLT) 通过减少噪音和改善病变检测来增强PET-CT成像. 这种组合也显著减少了重建时间,显示了全身PET应用的前景.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射化学 放射化学是指辐射化学.
背景情况:
- 深度学习 (DL) 算法,DL-Enhancement (DLE) 和基于DL的飞行时间 (DLT) 进行了测试.
- DLE增强了有序子集预期最大化 (OSEM) 图像的质量,以实现区块顺序调整预期最大化 (BSREM) 质量.
- DLT 改进了在没有飞行时间 (ToF) 的情况下重建的 BSREM 图像.
研究的目的:
- 评估在PET-CT成像中顺序应用DLE和DLT的综合益处.
- 评估对图像质量,病变检测能力和诊断信心的影响.
- 为了确定对图像重建时间的影响.
主要方法:
- 在GE医疗保健发现710 (D710) 和发现MI (DMI) 扫描仪上获得了40个FDG PET-CT扫描.
- 测试了五种重建组合:ToF-BSREM,ToF-OSEM + DLE,OSEM + DLE + DLT,ToF-OSEM + DLE + DLT,以及ToF-BSREM + DLT. 这三种组合的重建组合都被测试了.
- 图像噪声用球形VOI在肺和肝脏中测量. 临床读者使用利克尔特尺度评估了病变检测能力,诊断信心和图像质量.
主要成果:
- 顺序应用 DLE + DLT 降低了噪音,提高了病变的检测能力,诊断信心和重建时间.
- ToF-OSEM + DLE + DLT重建显示,损伤SUVmax增加了28% (D710) 和11% (DMI).
- 这种重建方法在D710数据的临床读数中获得了病变检测能力和诊断信心的最高分.
结论:
- 与标准的ToF-BSREM相比,DLE和DLT的结合提高了诊断信心和病变检测能力.
- 在 DLE + DLT 中快速的 DL 推断显著减少了整体重建时间.
- 这种方法有可能改善全身PET成像应用.


