在动态PET无雾化之前,基于人群的深度图像:以数据为导向的方法来改进参数定量化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射化学 放射化学是指辐射化学.

背景情况:

• 动态正子辐射断层扫描 (PET) 成像对于定量分析至关重要,但噪声显著降低了图像质量和参数量化.
• 动态PET扫描中的高噪声水平可以掩盖重要的诊断信息,并降低动力参数 (K_i) 估计的准确性.

研究的目的:

• 为了提高K_i图像的质量和定量准确性,这些图像来自杂的动态PET数据.
• 为动态PET成像引入一种基于深度学习的新解密技术,即基于人口的深度图像先验 (PDIP).

主要方法:

• 拟议的PDIP,将基于人口的先前信息集成到深度图像先前 (DIP) 优化框架中.
• 使用在大型静态PET数据集 (100项研究) 上训练的监督消毒模型,使用3D U-Net架构生成基于人口的先验.
• 通过使用23名患者的动态PET数据 (25%和100%计数) 对提示匹配的监督 (PS) 和条件DIP (CDIP) 模型进行PDIP评估.

主要成果:

• 无论是PS还是CDIP模型都有效地降低了噪音,但导致过度光滑和病变去除.
• 使用单一静态图像之前的CDIP引入了文物和不准确的K_i值,特别是在下降性大动脉中.
• PDIP实现了与PS和CDIP相似的降噪,同时保留了小病变并改善了K_i预测,特别是在病变方面.

结论:

• PDIP提供了一种优越的方法来消除动态PET图像的阴影,其性能优于现有的监督和条件DIP方法.
• 在PDIP中对基于人口的先例进行新的整合,提高了动态PET扫描中的定量准确性和病变检测能力.
• PDIP显示了提高定量动态PET成像的诊断实用性的巨大潜力.