用神经优化转移算法进行单个主体深度学习图像重建,用于支持PET的双能量CT成像
概括
一种新的深度学习方法可以在没有额外扫描或辐射的情况下,在PET/CT扫描仪上增强双能CT成像. 这种方法提高了马射线CT图像质量,在医学成像中实现了更好的材料分解.
科学领域:
- 医疗成像医学成像
- 计算成像技术的成像
- 放射学 放射学是指放射学
背景情况:
- 双能计算断层扫描 (DECT) 与正电子发射断层扫描 (PET) 结合,具有临床潜力,但面临硬件和辐射剂量挑战.
- 现有的支持PET的DECT方法可以从PET数据中重建马射线CT (gCT) 图像,但尚未充分利用先前的知识.
- 深度学习是有前途的,但需要大量的数据集,对于像PET-enabled DECT这样的新方法来说是不切实际的.
研究的目的:
- 开发一个单个主题的深度学习方法,以改善GCT图像重建在支持PET的DECT中.
- 为了提高GCT图像质量和多材料分解,而无需基于人口的预培训.
主要方法:
- 提出了一个单个主体方法,使用神经网络表示作为CGT图像重建之前的深度系数.
- 制定了这个问题作为对非线性神经网络参数的断层估计.
- 使用二次替代品的优化转移策略,包括PET活动更新,CgT更新和最小平方神经网络学习.
主要成果:
- 拟议的神经优化转移算法显示数据概率单调增加.
- 与现有方法相比,CgiT图像质量得到了显著改善.
- 使用模拟,幻影和患者数据验证了增强的多材料分解能力.
结论:
- 单主题深度学习方法有效地改善了对 PET 支持的 DECT 的 gCT 图像重建.
- 这种方法克服了大型数据库要求在新型成像技术中进行深度学习的局限性.
- 该技术为推进PET/CT扫描仪上的DECT应用提供了一个有前途的解决方案.


