基于深度学习的双边过,用于边缘保护呼吸门PET的化

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 定子发射断层扫描 (PET) 成像通常受到大量图像噪声的限制,影响病变的检测和量化.
• 传统的降噪方法,如低通波器降低空间分辨率,而手动双边波 (BF) 是耗时的.
• 开发自动化,有效的降噪技术对于提高PET图像质量至关重要,特别是在呼吸道门研究中.

研究的目的:

• 调查深度学习 (DL) 方法在复制手动优化双边过 (BF) 的结果中对PET图像降噪的有效性.
• 在PET成像中自动化降噪过程,克服手动参数调节的局限性.
• 评估DL方法在维护图像质量的表现,包括边界定义和信号恢复,与手动BF相比.

主要方法:

• 使用了69个呼吸门的PET/CT扫描仪在三个标记器 (FDG,L-DOPA,DOTATATE) 上,处理成552个单门图像卷.
• 开发了一种用于在BF参数空间中进行粗暴搜索的自动化程序,以确定最佳参数并生成地面真实数据.
• 采用了经过修改的3D U-Net卷积神经网络 (CNN),用于再生最佳BF的残留学习,使用5倍交叉验证进行验证.

主要成果:

• 自动化程序成功地确定了大多数数据集的足够的BF参数,仅在19个情况下需要手动调整.
• CNN和BF过保持着类似的焦点值,平均差异分别为-3.9 ± 5.2%和-4.4 ± 5.3%.
• 通过CNN的过,BF的降噪 (5.6 ± 10.5%) 和性能都得到了很好的复制,观察到的跟踪器依赖差异很小.

结论:

• 一种基于神经网络的denoising方法可以完全自动化并复制PET中个别优化双边过的结果.
• DL方法的图像质量与手动BF几乎相同,在噪声,边缘保护和信号恢复方面.
• 这种自动化DL过为增强呼吸门PET研究和在临床实践中建立与BF相当的过提供了有价值的工具.