非参数贝叶斯深度学习方法用于全身低剂量PET重建和不确定性评估

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 阳位子辐射断层扫描 (PET) 对瘤学至关重要,但低剂量 (LD) PET成像在图像质量和辐射暴露方面面临挑战.
• 深度学习 (DL) 对LD PET重建有希望,但不确定性评估对于临床采用至关重要.

研究的目的:

• 开发和评估NPB-LDPET,这是一个基于DL的非参数贝叶斯框架,用于LD PET重建和不确定性量化.
• 通过使用超低剂量PET挑战数据集,与蒙特卡罗脱学基准对比评估框架的性能.

主要方法:

• 用一个Adam优化器与随机梯度朗格温动力学 (SGLD) 进行后部分布采样.
• 评估了全球重建准确性 (SSIM,PSNR,NRMSE),局部损伤明显性 (MAE,局部对比),以及不确定性地图的临床相关性.
• 与剂量减少因子 (DRF) 相关的不确定性措施.

主要成果:

• NPB-LDPET显示出明显优越的全球重建精度 (p < 0.0001).
• 实现了MAE的21%降低和局部损伤对比度的8.3%改善 (p < 0.0001).
• 预测不确定性和DRF之间显示出更强的相关性 (r^2 = 0.9174对比0.6144).

结论:

• NPB-LDPET框架为LD PET成像提供了更好的准确性和不确定性评估.
• 它有潜力通过提供更有信息的重建来增强临床决策.
• 这种方法支持在PET扫描中减少辐射暴露,而不会影响诊断质量.