基于深度学习的部分体积校正在标准和低剂量正电子发射断层扫描-计算机断层扫描成像中

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:

• 由于系统分辨率,正子发射断层扫描 (PET) 成像受到部分体积效应 (PVE) 的限制.
• 在小型结构中,PVE会导致显著的偏差和图像模糊,特别是在小型结构中.
• 目前的方法难以同时纠正PVE和消除低剂量PET图像.

研究的目的:

• 开发一个深度学习框架,用于联合部分体积校正 (PVC) 和PET图像的无色化.
• 为了预测部分体积,从标准或低剂量 (LD) PET数据中校正全剂量 (FD + PVC) 图像.
• 在不需要解剖学信息的情况下提供解决方案.

主要方法:

• 使用LD或标准PET图像作为输入来训练一个修改后的编码解码器U-Net网络.
• 该网络的目标是通过六种不同的PVC方法 (GTM,MTC,RBV,IY,RVC,RL) 生成的FD+PVC图像.
• 模型性能使用PSNR,RMSE,SSIM和偏差指标进行评估.

主要成果:

• 重新模糊的范-西特特 (RVC) 方法实现了与LD (0.89) 和FD (0.94) PET图像的高结构相似性 (SSIM).
• 代阳 (IY) 和几何转移矩阵 (GTM) 也显示出有希望的结果.
• 多目标校正 (MTC) 和理查森-卢西 (RL) 方法显示出更大的定量错误.

结论:

• 拟议的深度学习框架有效地执行对PET图像的联合denoising和PVC.
• 这些模型可以提高LD或标准PET-CT扫描的图像质量,当解剖数据不可用时.
• 这种方法为改善PET图像分析提供了有价值的工具.