通过使用深度学习生成的合成投影进行重建,从稀有获得的投影中改进了Lu SPECT图像的177个改进
Emma Wikberg1,2, Martijn van Essen3, Tobias Rydén4
1Department of Medical Radiation Sciences, Institute of Clinical Sciences, Sahlgrenska Academy, University of Gothenburg, Gothenburg, Sweden. emma.wikberg@vgregion.se.
EJNMMI physics
|June 28, 2024
概括
深度学习生成的合成中间投影 (SIP) 可以减少SPECT/CT成像时间,同时保持准确的剂量测量. 这种方法提高了图像质量,并确保对脏和骨髓等器官进行可靠的吸收剂量计算.
科学领域:
- 医疗成像医学成像
- 核医学是一种核医学.
- 辐射疗法 辐射疗法
背景情况:
- 越来越多的人对全身SPECT/CT成像进行剂量计.
- 传统的双头Anger摄像机的长时间采集带来了挑战.
- 需要方法来提高效率而不损害准确度.
研究的目的:
- 在SPECT/CT中评估稀疏获得的预测.
- 评估深度学习生成的合成中间投影 (SIP) 对图像质量和剂量计准确性的影响.
- 确定SIP是否可以缩短收购持续时间.
主要方法:
- 接受177Lu-DOTATATE治疗的16名患者接受了SPECT/CT成像 (120个预测).
- 深度神经网络 (CUSIP) 从30个获得的投影中生成了90个SIP.
- 使用OSEM进行的重建比较了120个预测,30个预测和30个预测+90个SIP.
主要成果:
- SIPs 视觉上改善了噪音水平和定量图像质量测量.
- 和骨髓吸收的剂量在重建方法中显示出高一致性 (R2 ≥0.97).
- 基于SIP的重建实现了统计学上与完全获得相似的吸收剂量,与仅仅稀疏获取不同.
结论:
- 合成中间预测 (SIP) 显著减少了SPECT/CT获取时间.
- 使用SIPs,可以保持高图像质量和令人满意的剂量测量精度.
- 这种方法使得有效的全身SPECT/CT成像用于剂量测量.


