基于深度学习的多频异化用于心肌 perfusion SPECT
Yu Du1,2, Jingzhang Sun1,3, Chien-Ying Li4,5
1Biomedical Imaging Laboratory (BIG), Department of Electrical and Computer Engineering, Faculty of Science and Technology, University of Macau, Taipa, Macau SAR, China.
EJNMMI physics
|October 2, 2024
概括
这项研究引入了一种先进的深度学习网络,用于低剂量心肌 perfusion SPECT成像. 集成的多频反噪网络显著提高了SPECT扫描中的图像质量和准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 核医学是一种核医学.
背景情况:
- 深度学习 (DL) 提高了低剂量 (LD) SPECT 图像质量和定量准确性.
- 传统的DL方法在SPECT图像中与混合频率组件作斗争.
- 这项研究的重点是改善LD心肌 perfusion (MP) SPECT denoising.
研究的目的:
- 开发一个集成的多频反噪网络,以加强LD MP SPECT.
- 根据现有方法评估拟议网络的性能.
主要方法:
- 开发了一个3D集成的注意力引导的多频条件生成对抗网络 (AttMFGAN).
- 低剂量 (LD) 和全剂量 (FD) 的SPECT预测被分为频段.
- 将AttMFGAN与AttGAN和单独的多频消音 (AttGAN-MF) 进行比较.
主要成果:
- 在所有指数上,AttGAN-MF和AttMFGAN的表现都超过了传统的AttGAN.
- 与AttGAN-MF相比,集成的AttMFGAN表现出优越的性能.
- 两频段的消噪通常比三频段的效果更好.
结论:
- AttGAN-MF和AttMFGAN显示出进一步改进LD MP SPECT的承诺,进一步改善LD MP SPECT的否认.
- 综合的多频率方法提供了增强的消噪能力.
