基于动态模型的深度学习用于多重复合PET图像分离
Bolin Pan1, Paul K Marsden2, Andrew J Reader2
1School of Biomedical Engineering and Imaging Sciences, King's College London, London, UK. bolin.pan@kcl.ac.uk.
EJNMMI physics
|July 1, 2024
概括
这项研究引入了一种新的深度学习方法,用于多重定子发射断层扫描 (mPET) 图像分离. 以动态模型为基础的方法提高了准确性,并且需要更少的训练实例来实现更清晰的单追踪器PET成像.
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:
- 多复合正子发射断层扫描 (mPET) 能够在一次扫描中同时测量多个标记物.
- 在mPET中将不同标记物的信号分离起来是具有挑战性的,原因是无法区分的光子对.
- 目前的方法缺乏独特的能量信息来区分追踪源.
研究的目的:
- 开发一种改进的深度学习方法,用于mPET图像分离.
- 通过结合动力模型来增强深度网络的感应先验.
- 为了实现双追踪器PET图像的准确分离.
主要方法:
- 将基于光谱分析的一般运动模型纳入深度网络.
- 将模型和深度网络集成到一个展开的图像空间代的4D PET重建算法中.
- 在模拟的双追踪器[18F]FDG+[11C]MET大脑PET数据上评估了该方法.
主要成果:
- 拟议的方法实现了与单个追踪器成像相比较的分离性能.
- 超越了传统的基于模型的方法 (v-MTCM,IS-F4D) 和纯数据驱动的方法 (CED).
- 与CED相比,在较少的培训示例中表现出卓越的表现.
结论:
- 为mPET图像分离提出了一种动态模型信息的无卷深度学习方法.
- 该方法在模拟研究中显示了与现有技术相比的显著优势.
- 这种方法为推进mPET图像分析提供了一个有希望的方向.
