通过基于深度学习的图像合成和注册,消除了双追踪器全身PET/CT的第二次CT扫描

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 双追踪器全身PET/CT成像需要两次CT扫描,增加辐射暴露.
• 精确的减弱和散射校正 (ASC) 对于定量PET成像至关重要.
• 减少医学成像中的辐射剂量是一个重要的临床目标.

研究的目的:

• 开发和验证一个深度学习框架,以消除第二次CT扫描在双追踪器全身PET/CT中.
• 使用AI为ASC生成伪减弱校正CT (ACCT) 图像.
• 评估CT辐射剂量在双追踪器PET/CT协议中降低CT辐射剂量的可行性.

主要方法:

• 开发了一个深度学习框架,集成了一个注册生成对抗网络 (RegGAN) 和非刚性注册.
• 该框架将第一次扫描中的ACCT图像转换为第二次扫描的伪ACCT图像.
• 使用定量指标 (MAE,PSNR,SSIM) 和SUV偏差来评估基于深度学习的ASC PET图像.

主要成果:

• 深度学习框架成功生成了伪ACCT图像,MAE范围从97.64到112.59 HU.
• 基于深度学习的ASC PET图像与地面真相PET图像具有很高的相似性.
• 在正常器官和病变中,SUV偏差是最小的,中位数绝对百分比偏差<2.6%和平均值<3.6%.

结论:

• 拟议的深度学习框架有效地消除了对双追踪器全身PET/CT的第二次CT扫描的需求.
• 这种以人工智能为驱动的方法显示出降低CT辐射剂量的前景,同时保持定量准确性.
• 该框架在多个追踪器 (Ga-DOTATATE,Ga-PSMA-11,Ga-FAPI-04,FDG) 上成功验证.