对多重复合PET进行自我监督的参数图估计,并先进行深度图像
Bolin Pan1, Paul K Marsden1, Andrew J Reader1
1School of Biomedical Engineering and Imaging Sciences, King's College London, London SE1 7EU, United Kingdom.
Physics in medicine and biology
|January 8, 2025
概括
本研究介绍了一种自我监督的深度学习方法,用于多重定子发射断层扫描 (mPET) 图像分离. 新的框架提高了准确性,并减少了在分离双追踪器PET数据方面的偏差,克服了监督学习的局限性.
科学领域:
- 医疗成像医学成像
- 核医学就是核医学.
- 人工智能的人工智能
背景情况:
- 多复合正子辐射断层扫描 (mPET) 能够同时进行多标记器成像.
- 监督深度学习对mPET图像分离有希望,但需要大量的配对数据,这带来了实际挑战.
- 监督方法的通用性受限于培训分布之外的患者特异性追踪器动力学.
研究的目的:
- 开发一种自主监督的学习框架,用于使用深度图像先验 (DIP) 进行mPET图像分离.
- 在DIP中整合一个多标记器分区模型,用于估计标记器特定的参数图.
- 从估计的参数地图中恢复分离的动态单个追踪器活动图像.
主要方法:
- 基于DIP的自主监督学习框架被提议用于mPET图像分离.
- 多追踪器隔间模型被集成到DIP中,以从动态双追踪器活动图像中估计参数图.
- 动态双跟踪图像作为训练标签,静态双跟踪图像作为网络输入.
主要成果:
- 与传统的voxel-wise多标记器隔间建模 (vMTCM) 和两步DIP-Dn+vMTCM方法相比,拟的方法显示出更高的性能.
- 较低的偏差和标准偏差在分离的单个追踪器图像和估计的参数地图中在voxel和ROI水平上都被观察到.
- 该方法在模拟的大脑幻影上进行了验证,用于动态双追踪器 ([18F]FDG+[11C]MET) 分离和参数地图估计.
结论:
- 拟议的自主监督DIP框架有效地分离双追踪器mPET图像和估计参数图.
- 这种方法克服了监督方法的数据采集限制.
- 该方法为mPET图像分析提供了更好的准确性和通用性.
