基于深度学习的飞行时间 (ToF) 增强非ToF PET扫描的不同辐射追踪器

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 核医学是一种核医学.

背景情况:

• 像素发射断层扫描 (PET) 的成像质量对于准确的诊断至关重要.
• 飞行时间 (ToF) PET重建可以提高图像质量,但需要特定的硬件.
• 深度学习为增强非ToF PET图像提供了一个潜在的解决方案.

研究的目的:

• 评估基于深度学习的飞行时间 (DLToF) 模型.
• 为了提高各种标记物的非ToF PET图像的图像质量.
• 使用DLToF模型实现与ToF PET可比的图像质量.

主要方法:

• 通过使用来自11个国际站点的8种不同的追踪器 (75%FDG,25%非FDG) 训练了一个3D残余U-NET模型.
• 来自GE Discovery MI (DMI) ToF扫描仪的309个培训和33个验证数据集被使用.
• 开发了三个DLToF模型 (低强度,中强度,高强度),并对60个DMI数据集和4个标记器 (FDG,PSMA,Ga-PSMA,Ga-DOTATATE) 进行了测试.

主要成果:

• DLToF-H模型在所有测试的标志物中显著降低了病变SUVmax量化中的非ToF BSREM错误 (例如,FDG:-39%至-6%).
• 肝脏和肺部的量化也表明了与DLToF模型类似的ToF性能.
• 临床阅读器研究表明DLToF-H提高了病变检测能力,DLToF-L提高了图像质量 (噪声),DLToF-M提供了诊断信心的最佳权衡.

结论:

• 在PET成像中,DLToF模型对FDG和非FDG追踪器都有效.
• 这些模型可用于数字BGO PET/CT扫描仪.
• DLToF提供与ToF PET相比的图像质量和病变检测能力.