SMART-PET:一个自我-SiMilARiTy意识的生成对抗框架,用于重建低数量[18F]-FDG-PET脑成像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射化学 放射化学是指辐射化学.

背景情况:

• 定子发射断层扫描 (PET) 成像涉及放射性痕迹物,增加辐射暴露,特别是在儿科和纵向研究中.
• 减少PET追踪器活动会影响图像质量 (信号噪声比较低) 和诊断准确性.
• 目前的深度学习解密方法往往需要解剖指导 (例如MRI),并且在PET图像中难以保留全球空间特征.

研究的目的:

• 开发一种全新的仅用于PET的深度学习框架,用于消除低数量的PET图像.
• 为了减少PET成像中的辐射暴露,而不会牺牲图像质量.
• 创建适用于放射敏感人群和纵向研究的框架.

主要方法:

• 开发了Self-SiMilARiTy-Aware生成对抗框架 (SMART),这是一个仅使用PET的深度学习模型,使用生成对抗网络 (GAN).
• 整合了一种自我相似性注意力机制 (SSAB),以学习在没有MRI指导的情况下无声化的特征.
• 在114名受试者 (,痴呆症,健康志愿者) 的数据集上训练了SMART GAN,使用标准剂量PET图像作为参考.

主要成果:

• 与标准剂量PET相比,SMART-PET实现了高图像质量指标,包括SSIM (0.984),PSNR (38.126dB) 和低NRMSE (0.091).
• 该模型在FID (0.455),SNR (0.002) 和CNR (0.011) 方面表现出色.
• 来自10%计数数据集的兴趣区域测量显示,与基本真相值的偏差不到1.4%.

结论:

• SMART-PET有效地消除PET图像,合成诊断质量的扫描,注射活动减少了90%.
• 该框架显示出临床应用的重大前景,特别是对于放射敏感患者群体和长期神经监测.
• 这种仅使用PET的方法消除了对共注册MRI的需求,简化了成像协议.