研究一种基于深度学习的重建方法,利用双视图投影进行心肌 perfusion SPECT成像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 核医学是一种核医学.

背景情况:

• 传统的双头SPECT扫描仪用于心肌输液成像 (MPI) 需要很长的扫描时间和门架旋转.
• 这些局限性阻碍了SPECT MPI的广泛临床应用.

研究的目的:

• 开发一种基于深度学习的方法来重建双视图预测.
• 目标是减少SPECT MPI采集时间,并使用传统的双头SPECT扫描仪实现非旋转成像.

主要方法:

• 用U-Net架构 (2D和3D) 来进行双视图投影重建.
• 评估了各种数据组织方案 (铺设,交叉,堆叠) 和使用衰减图的使用.
• 这项研究使用了116个SPECT/CT扫描与99mTc-tetrofosmin.

主要成果:

• 2D U-Nets显示了合理的结果,但有轻微的轴不连续性,通过减弱图改进.
• 最好的2D U-Net (堆叠投影+减弱图) 实现了0.6%±0.3%的正常化平均绝对误差和0.93±0.04的SSIM.
• 3D U-Net进一步提高了性能,减少了轴间不连续性,并实现了更高的SSIM 0.94±0.03.

结论:

• 成功开发了一种基于深度学习的方法,用于从传统的SPECT扫描仪中重建双视图投影.
• 用堆叠投影和衰减图训练的3D U-Net对于非旋转成像非常有效.
• 这种方法有可能改善动态心肌输液成像.