使用Pix2Pix条件生成对抗网络来恢复临床前PET扫描仪中缺失的数据的sinogram差距

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• pozitron发射断层扫描 (PET) 检测器块中的缺口会导致数据丢失,图像质量和定量准确性下降.
• 这种数据丢失影响重建的PET图像,特别是在临床前应用中.

研究的目的:

• 开发和评估一种新的方法来填补临床前PET扫描仪中缺少的阴影图数据.
• 为了提高被检测器块间隙影响的重建PET图像的图像质量和定量准确性.

主要方法:

• 使用Pix2Pix条件生成对抗网络 (cGAN) 结合inpainting技术.
• 在7500个未经测试的阴影图上训练了网络,这些阴影图来自于小鼠的临床前PET扫描和一个IQ幻影.
• 由于缺少真实无间隙数据,人工生成的无间隙的sinograms用于培训.

主要成果:

• Pix2Pix cGAN 实现了低根平均平方误差 (RMSE) 的 9.34 × 10−4 ± 5.7 × 10−5.
• 显示了高结构相似度指数 (SSIM) 的99.984 × 10−2 ± 1.8 × 10−5,表明出色的图像保真度.
• 使用PSNR,CNR和SNR等定量指标进行绩效评估.

结论:

• 拟议的Pix2Pix cGAN有效地通过从相邻的像素信息中学习来检索缺失的协同图形数据.
• 这种方法显著提高了定量准确性,并提高了重建的PET图像的质量.
• 该方法为缓解临床前PET成像中的数据丢失问题提供了可行的解决方案.