对散射能量窗口宽度和计数水平的调查,用于基于深度学习的心脏SPECT/CT成像中的衰减图估计

科学领域:

• 核医学是一种核医学.
• 医疗成像医学成像
• 医疗保健中的人工智能

背景情况:

• 深度学习 (DL) 对于精确的衰减校正 (AC) 在心脏 perfusion SPECT成像中至关重要.
• 以前的研究强调了将分散窗口图像纳入DL输入的好处,以提高性能.
• 在降低的SPECT计数水平下,不同尺寸的散射窗口和DL性能的影响仍未得到充分研究.

研究的目的:

• 为了研究不同散射窗口输入对DL生成的衰减图的影响.
• 在心脏SPECT成像中评估DL对AC的性能,该成像在减少计数水平 (例如,四分之一计数扫描) 时获得.

主要方法:

• 利用1517个受试者的大量数据集进行培训,验证和测试.
• 经过训练的DL模型使用来自photopeak和各种散射窗口的SPECT图像.
• 对全额和季度 SPECT 收购的评估 DL 业绩.

主要成果:

• 增加散射窗口宽度 (4%至30%) 显示DL估计衰减图略有改善.
• 应用于四分之一计数的SPECT扫描的DL模型显示,与全计数扫描相比,性能略有下降.
• 在分散窗口配置和计数水平的性能差异很小 (NMSE <2.1%与CT地图相比).

结论:

• 在各种散射窗口设置中,DL在衰减图生成方面表现一致.
• 即使在四分之一计数级获得的SPECT扫描中,DL也提供了准确的减弱校正.
• 在心脏 perfusion SPECT 中,DL 显示出强大的 AC 的显著潜力,即使在减少数据采集场景下也是如此.