基于深度学习的衰减地图生成在脏单光子发射计算机断层扫描中
Kyounghyoun Kwon1,2, Dongkyu Oh2,3, Ji Hye Kim2
1Department of Health Science and Technology, Graduate School of Convergence Science and Technology, Seoul National University, Gwanggyo-ro 145, Yeongtong-gu, Suwon, Gyeonggi-do, 16229, Republic of Korea.
EJNMMI physics
|October 11, 2024
概括
这项研究开发了一种人工智能算法,用于脏SPECT成像创建合成衰减图,消除CT扫描的需要并减少辐射暴露. 这使得无需CT的SPECT成像能够进行准确的GFR测量,提高了患者的安全性.
科学领域:
- 核医学就是核医学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确的减弱校正 (AC) 对于定量SPECT/CT成像至关重要.
- CT扫描增加了辐射暴露,对AC至关重要.
- 开发无CT量化方法对于核医学至关重要.
研究的目的:
- 在脏SPECT成像中建立无CT量化技术.
- 使用深度学习从SPECT数据生成合成衰减图 (μ-maps).
- 为了减少辐射暴露,并消除在SPECT成像中需要CT扫描.
主要方法:
- 在800个Tc-99m DTPA SPECT/CT扫描上训练了一种修改后的3D U-Net深度学习模型.
- 研究了SPECT数据类型,规范化,损失函数和插值对μ-map生成的影响.
- 评估的棋盘文物和对比介质的影响.
主要成果:
- 使用散射SPECT,对数最大规范化,L1 + 3xLGDL损失和近邻插值的优化AI模型显著改善了μ-map生成 (p < 0.00001).
- 最接近邻居的插值有效地消除了棋盘文物.
- 人工智能生成的μ图对对比度是中性的,对GFR测量有微不足道的影响.
- 潜在的辐射剂量减少范围从45.3%到78.8%.
结论:
- 成功开发并优化了深度学习算法,用于脏SPECT中的合成μ-map生成.
- 证明了从SPECT/CT过渡到无CT的SPECT成像用于GFR测量的可行性.
- 这一进步提高了核医学中的患者安全和效率.


