从MRI和PET采用机器学习的互点SPECT的图像合成

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 使用生成对抗网络 (GAN) 的跨模式图像估计是一种新兴的技术.
• 对于估计SPECT (单光子发射计算机断层扫描) 图像从其他模式,如MRI (磁共振成像) 和PET (定子发射断层扫描) 的应用,GAN尚未先前被探索.
• 本研究研究了从MRI和PET进行SPECT图像估计的可行性,并评估了跨模式图像注册在GAN培训中的作用.

研究的目的:

• 通过使用GANs评估MRI和PET的SPECT图像的估计.
• 在这种情况下,确定跨模式图像注册对于有效的GAN培训的必要性.
• 评估不同输入配置 (单通道与多通道) 和损失函数修改对SPECT图像合成质量的影响.

主要方法:

• 通过使用Pix2pix GAN框架,从PET和MRI数据中合成了间接SPECT图像,其中包括48名患者的数据.
• 图像被转换为3D同位素分辨率,并在原生和模板空间中准备用于培训和测试.
• 该研究评估了使用单通道和多通道输入的SPECT估计,并评估了将结构相似性指数指标纳入GAN的损失函数的影响.

主要成果:

• 从MRI和PET数据中成功生成了高质量的合成SPECT图像.
• 使用原生空间中的图像与注册到模板空间的图像相比,结构相似度指数 (SSIM) 的平均改善率为5.4%.
• 虽然PET提供了最好的结果,但MRI也产生了同等质量的SPECT图像;将SSIM添加到损失函数中并没有提高图像质量.

结论:

• 使用GANs从MRI或PET合成SPECT图像是可行的,并产生高质量的结果.
• 这种方法有可能显著减少患者评估所需的扫描数量.
• 该方法提供了一种途径,通过利用现有的MRI或PET数据进行SPECT估计来减少患者的辐射暴露.