基于深度学习的分散校正在长轴视野PET扫描仪上的评估
Baptiste Laurent1, Alexandre Bousse2, Thibaut Merlin1
1LaTIM, Inserm UMR 1101, University of Brest, Brest, France.
European journal of nuclear medicine and molecular imaging
|February 7, 2025
概括
基于深度学习的散射估计 (DLSE) 准确地纠正长轴视野 (LAFOV) PET成像中的散射. 这种先进的方法比全身PET扫描的传统技术提高了图像质量和量化.
科学领域:
- 医疗成像医学成像
- 核医学是一种核医学.
- 医疗保健中的人工智能
背景情况:
- 长轴视野 (LAFOV) PET系统提供更高的灵敏度,但增加散射,使图像质量和量化复杂化.
- 最先进的散射校正方法,如单散射模拟 (SSS),面临LAFOV系统的局限性.
- 精确的散射校正对于在先进的PET成像中可靠的图像重建和定量分析至关重要.
研究的目的:
- 评估基于深度学习的分散估计 (DLSE) 在LAFOV全身PET中进行分散校正的性能.
- 将DLSE方法与单散射模拟 (SSS) 进行比较,以确定散射估计的准确性和稳定性.
- 评估DLSE对病变对比恢复和临床PET数据集中的整体图像质量的影响.
主要方法:
- 一个卷积神经网络 (CNN) 的U-Net架构被用于DLSE,利用发射和减弱的sinograms.
- DLSE网络使用XCAT幻影的蒙特卡洛模拟与Siemens Biograph Vision Quadra扫描仪上的[F]-FDG PET采集进行了训练.
- 在模拟数据和七个临床[F]-FDG和[F]-PSMA PET数据集上验证了方法性能,将DLSE与MC地面真相和SSS进行比较.
主要成果:
- 与幻影数据上的SSS相比,DLSE在患者大小和剂量变化方面表现出更高的准确性和稳定性.
- 在幻影研究中,DLSE方法实现了更好的损伤对比恢复.
- 临床评估显示[F]-FDG数据集的损伤对比度得到改善,[F]-PSMA数据集的性能保持一致,即使没有专门的PSMA培训.
结论:
- 拟议的DLSE方法使用原始数据准确估计LAFOV PET系统中的散射.
- DLSE提供了一个比SSS更强大,更准确的替代方案,用于整体PET的散射校正.
- 这种深度学习方法具有显著的潜力,可以提高先进的PET成像中的定量准确性和图像质量.
