优化基于MR的减弱校正在混合PET/MR中使用深度学习:使用平板插件的验证和一致的患者定位.

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 核医学就是核医学.

背景情况:

• 位置不匹配和对齐问题挑战了在PET/MR成像中基于MR的减弱校正 (MRAC) 的验证.
• 准确的MRAC对于混合PET/MR扫描仪的可靠量化分析至关重要.

研究的目的:

• 通过确保准确的MR-CT匹配,精确验证MRAC方法.
• 评估不同MRAC技术的性能,包括使用连续和离散μ图的技术.
• 用MRAC.C.来评估骨接近对SUV量化的影响.

主要方法:

• 21名患者的验证数据集接受了全身[18F]FDG PET/CT,然后是[18F]FDG PET/MR,使用平板插件进行一致的定位.
• 四种MRAC方法与基于CT的减弱校正 (CTAC) 进行了比较,使用深度学习框架从MR图像生成合成CT.
• 定量分析包括全身,ROI和病变水平评估,以及病变距离分析,以评估SUV的骨近距离影响.

主要成果:

• 连续μ图MRAC方法 (MRAC-4) 在联合基因图分析中显示与CTAC密切一致.
• 根据损伤距离分析 (r=0.01,p=0.8643) 显示,MRAC-4有效地减少了由骨引起的SUV干扰.
• 然而,与离散的μ-map方法相比,MRAC-4在骨丰富的区域 (如脊柱和肝脏) 中表现出更大的SUV变异性和更低的可复制性.

结论:

• 使用平板插件实现了精确的MRAC验证,证实了MRAC在PET/MR成像中的潜力.
• 连续μ值MRAC方法 (MRAC-4) 提供了卓越的准确性,并减少了与骨相关的SUV错误,但需要进一步改进,以便在具有挑战性的解剖区域中进行复制.