深度生成性消毒网络提高了封闭心脏PET数据的质量和准确性
Mojtaba Jafaritadi1, Jarmo Teuho2,3, Eero Lehtonen2
1Department of Radiology, Stanford University, Stanford, CA, USA.
Annals of nuclear medicine
|June 6, 2024
概括
使用条件生成对抗网络 (cGAN) 的新深度学习框架显著提高了心脏PET图像的质量和准确性. 这种零射击消噪方法增强了非门和双门图像,减少噪音和文物,以提高诊断性能.
科学领域:
- 医疗成像医学成像
- 核医学就是核医学.
- 人工智能的人工智能
背景情况:
- 心脏正子发射断层扫描 (PET) 可视化心脏功能,但受到运动诱导的模糊,降低图像质量和准确性.
- 双门PET重建减轻了运动工件,但由于减少了数据子集,增加了噪声.
研究的目的:
- 使用条件生成对抗网络 (cGANs) 开发一个零拍摄图像拒绝框架.
- 为了提高无门和双门心脏PET图像的图像质量和定量准确性.
主要方法:
- 使用了40名接受18F-FDG心脏PET研究的患者的回顾性列表模式数据.
- 一个3DcGAN (Pix2Pix) 在模拟的低计数PET数据上进行训练,并在未见的非门和双门数据上进行测试.
主要成果:
- 3D Pix2Pix网络显著提高了心脏PET的图像质量和准确性 (p<0.05),无论是非封闭的还是封闭的.
- 该模型增加了PSNR高达34.7%,SSIM高达7.8%,并在各种计数统计和门口条件中减少了MAE高达61.4%.
- 在双门PET数据中,噪声一直在降低,而不会影响图像分辨率或精度.
结论:
- 产生性预训练的无线化网络有效地改善了双门心脏PET图像,这些图像通常会显示出影响诊断性能的工件.
- 开发的cGAN框架为提高心脏PET成像质量和定量准确性提供了一个有希望的解决方案.
