基于人工智能的联合衰减和散射校正策略,用于多标志物全身PET

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 核医学就是核医学.

背景情况:

• 目前用于PET减弱和散射校正 (ASC) 的低剂量CT带来辐射风险和文物问题.
• 基于CT的ASC (CT-ASC) 在PET和CT数据之间可能存在不匹配.
• 在图像领域的直接ASC提供了一个潜在的替代方案来降低CT剂量.

研究的目的:

• 通过深度学习方法证明直接减弱和散射校正 (ASC) 的可行性,用于多追踪器全身PET.
• 评估不同培训策略,用于图像域ASC的3D条件生成对抗网络 (cGAN).
• 为了减少与全身PET/CT检查中的CT扫描相关的辐射剂量.

主要方法:

• 对[18F]FDG,[18F]FAPI和[68Ga]FAPI的临床uEXPLORER全身PET/CT数据集的回顾性分析.
• 开发一个改进的3D cGAN,直接从未经校正的 (NASC) PET 图像中估计校正的 PET 图像.
• 使用四种培训策略进行验证:集中 (CZ-ASC),特定于追踪器 (DL-ASC),无微调 (NFT-ASC) 和微调 (FT-ASC),以CT-ASC作为参考.

主要成果:

• 在所有标志物中,CZ-ASC,DL-ASC和FT-ASC的视觉质量与CT-ASC相当.
• 所有经过测试的深度学习方法 (CZ-ASC,DL-ASC,FT-ASC) 在定量准确性 (NMAE) 中显著超过了NASC和NFT-ASC.
• 与DL-ASC相比,CZ-ASC和FT-ASC在交叉追踪器全身PET减弱校正方面表现优越.

结论:

• 使用拟议的3D cGAN的直接ASC对于多标记器全身PET是可行的,准确的和强大的.
• 这种基于深度学习的ASC方法有效地减少了冗余CT检查带来的辐射危险.
• 集中式 (CZ-ASC) 和微调式 (FT-ASC) 策略在全身PET减弱校正中有望提高交叉追踪器性能.