使用CNN过的BPF类TOF PET重建中背投影变体的影响 - 基于模拟和临床大脑数据

科学领域:

• 医疗成像医学成像
• 核医学是一种核医学.
• 医疗保健中的人工智能

背景情况:

• 像信心权重 (CW) 和最可能的毁灭位置 (MLAP) 这样的反向投影策略对于基于深度学习的正子发射断层扫描 (PET) 重建至关重要.
• 虽然CW和MLAP在零时间分辨率上趋同,但它们在当前商业PET系统中存在显著差异,需要进行比较分析.
• 现有的研究缺乏对深度重建模型中的这些后投影变体的系统评估.

研究的目的:

• 系统地分析不同背向投影变体对基于卷积神经网络 (CNN) 的PET图像重建的影响.
• 确定最有效的反向投影模型,以提高PET图像的准确性.
• 为促进精确的PET重建技术的发展做出贡献.

主要方法:

• 在CNN过模型中比较了四种反向投影变体 (CW和MLAP与视图总和和视图分组处理).
• 研究了两个物理效应补偿策略:预校正的数据输入与CNN模型中的衰减地图通道.
• 在模拟的BrainWeb幻影和临床脑部扫描上训练和测试模型,在不同剂量水平下使用PSNR,RMSE,SSIM和CRC进行性能评估.

主要成果:

• 与基于MLAP的方法相比,基于CW的方法在模拟和临床数据中产生了更清晰,更清晰和更详细的图像.
• 视图总和CW反向投影模型在PSNR,RMSE和SSIM中获得了最佳的整体性能.
• 将衰减图作为多通道输入被证明是弥补大脑PET数据中的物理效应最有效的方法.

结论:

• 基于视图总和CW的背向投影变体是基于CNN的PET重建模型用于脑成像的最有效输入.
• 通过额外的通道整合一个衰减图有效地弥补了物理效应.
• 这种优化的方法可以提高图像质量指标,如PSNR,RMSE,SSIM和CRC.