使用深度学习的1毫米3分辨率临床PET系统的自我规范化
Myungheon Chin1,2, Mojtaba Jafaritadi2, Andrew B Franco3
1Department of Electrical Engineering, Stanford University, Stanford, CA, United States of America.
Physics in medicine and biology
|July 31, 2024
概括
这项研究引入了使用条件生成对抗网络 (cGANs) 进行正电子发射断层扫描 (PET) 的新型自我规范化框架. 开发的2.5D PSA Pix2Pix模型显著提高了PET图像质量和病变检测能力,而不需要额外的扫描.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 核医学是一种核医学.
背景情况:
- 定子发射断层扫描 (PET) 图像需要正常化才能进行准确的定量分析.
- 传统的规范化方法通常需要单独的专用扫描,增加复杂性和时间.
- 深度学习为基于图像的解决方案提供了潜力,以简化PET数据处理.
研究的目的:
- 提出和评估一个基于图像的,端到端的PET自我规范化框架.
- 为了利用条件生成对抗网络 (cGANs) 实现自动化PET图像规范化.
- 评估不同输入数据类型,网络架构和输入张量形状对规范化性能的影响.
主要方法:
- 开发了一种新的极化自我注意 (PSA) Pix2Pix深度学习网络.
- 探索非规范化与几何因素纠正的输入图像.
- 使用蒙特卡罗模拟 (SimSET) 进行2D与2.5D输入张量形状的比较,用voxelized幻影.
主要成果:
- 2.5D PSA Pix2Pix模型,使用几何因素纠正的输入,实现了卓越的性能.
- 所有测试方法都提高了15-55%的图像质量指标 (PSNR,SSIM).
- 最好的方法产生了最高的PSNR (28.074) 和SSIM (0.921) 对整体图像和 (28.920,0.973) 对感兴趣的区域,提高了病变的检测能力.
结论:
- 使用cGAN的基于图像的端到端自我规范化框架对PET.是可行的.
- 拟议的2.5D PSA Pix2Pix模型显著提高了PET图像质量和病变检测能力.
- 这种方法消除了单独的规范化扫描的需要,提供了更有效的工作流.
