临床和深度学习评估MR引导的自我监督PET重建的临床和深度学习评估

科学领域:

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

背景情况:

• 降低剂量正子发射断层扫描 (PET) 降低了患者的辐射暴露和医疗保健成本.
• 然而,在减少剂量的PET中,数量较少的数据会损害重建的图像质量.
• 先进的重建算法对于减轻这些质量损失至关重要.

研究的目的:

• 临床评估用于降低剂量[18F]FDG脑成像的先进PET重建算法.
• 将自我监督的最大后期期望最大化 (MAPEM) 方法与临床标准最大可能性期望最大化 (MLEM) 方法进行比较.
• 评估卷积神经网络 (CNN) 作为PET图像质量评估的自动观察者的潜力.

主要方法:

• 两位临床医生使用七个临床图像质量指标评估了四个PET重建算法.
• 算法包括指导和非指导的自我监督MAPEM,指导使用患者的MR图像.
• 一个标准的MLEM重建作为参考;CNN评估了额外的图像.

主要成果:

• 与MLEM相比,自我监督的MR引导的MAPEM在度,尾状膜分离和对比度方面表现出了统计学上显著的改善.
• 在标准注射剂量的5%时,自我监督的MR导向MAPEM性能与100%的MLEM标准相匹配.
• CNNs显示了与临床医生相似的趋势,表明自动图像质量评估的潜力.

结论:

• 自主监督的MR引导的MAPEM重建为高质量,低剂量PET成像提供了可行的解决方案.
• 这种方法显著提高了低剂量PET扫描的临床实用性.
• 使用CNN的自动评估显示了对客观图像质量评估的希望.