变压器-CNN混合网络用于改进PET飞行时间预测
Xuhui Feng1, Amanjule Muhashi1, Yuya Onishi2
1The State Key Laboratory of Modern Optical Instrumentation, College of Optical Science and Engineering, Zhejiang University, Hangzhou 310027, People's Republic of China.
Physics in medicine and biology
|May 15, 2024
概括
这项研究引入了一种新的变压器-CNN网络,用于正电子发射断层扫描 (PET) 飞行时间 (TOF) 估计,显著改善巧合时间分辨率 (CTR) 并使用探测器波形数据减少偏差.
科学领域:
- 医疗成像医学成像
- 核医学是一种核医学.
- 信号处理 信号处理
背景情况:
- pozitron发射断层扫描 (PET) 重建从飞行时间 (TOF) 信息中获益,增强图像信号与噪声比.
- 精确的TOF估计依赖于准确的巧合时间分辨率 (CTR) 和最小偏差.
- 现有的TOF估计方法在充分利用探测器波形数据方面存在局限性.
研究的目的:
- 开发和评估一个新的深度学习网络,以改善PET中的TOF估计.
- 整合变压器和卷积神经网络 (CNN) 架构,以利用全球和本地波形特征.
- 通过使用实验数据,与已确定的方法对比评估网络的性能.
主要方法:
- 提出了一个混合网络,将变压器的自我注意力与CNN的本地受体场相结合.
- 该网络使用来自酸氧酸盐 (LYSO) 闪器和光倍增器 (SiPM) 探测器的事件波形对作为输入.
- 波形数据集被裁剪并用于训练和测试模型.
主要成果:
- 拟议的变压器-CNN网络实现了平均CTR189 ps,超过了CFD,CNN,CNN与注意力,LSTM和变压器.
- 这意味着与CFD相比,CTR降低了高达82ps (>30%).
- 该网络还显示,与标准CNN相比,偏差减少了10.3 ps.
结论:
- 该研究通过实验数据验证了基于变压器的模型在PET TOF估计中的有效性.
- 集成的CNN和变压器方法通过结合本地和全球波形分析提供最佳性能.
- 这项研究为推进TOF-PET重建提供了一个有希望的新方向.
