从低数PET生成临床前正子发射断层扫描 (PET) 图像的深度学习生成,并以基于任务的绩效评估为基础

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• pozitron 发射断层扫描 (PET) 是一个技术.

背景情况:

• 临床前低数PET (LC-PET) 提供了改善后勤和吞吐量等优势.
• 然而,LC-PET的信号与噪声比较低,细分挑战和量化不确定性.

研究的目的:

• 开发和评估一种新的深度学习 (DL) 架构,即基于注意力的剩余扩展网络 (ARD-Net).
• 使用ARD-Net从LC-PET图像中生成标准计数PET (SC-PET) 图像.
• 使用定性,基于任务的细分和定量指标评估ARD-Net性能.

主要方法:

• 在临床前的[18F]-氧糖 (FDG) -PET/CT数据集上进行了ARD-Net的培训和验证.
• 通过将SC-PET图像的样本降低到原始计数的10%,5%,1.6%和0.8%来生成LC-PET图像.
• 性能与其他DL和非DL方法进行了基准测试,使用图像保真度,细分精度,SUV量化和放射学特征.

主要成果:

• 在各种计数级别中,ARD-Net在图像保真性 (SSIM,NRMSE) 方面显著优于基准方法.
• 与其他方法相比,ARD-Net在SUV平均和较低的变化中显示的绝对偏差中值低于5%.
• 来自ARD-Net图像的放射特征与真实SC-PET图像的一致性更高.

结论:

• ARD-Net提供了一个强大的框架,用于从LC-PET数据生成SC-PET图像.
• 与现有方法相比,ARD-Net在临床前PET成像的图像保真性,细分和量化方面表现出卓越的性能.