在不同时间点扫描中对铜-64 PET进行基于CT无深度学习的减弱和散射校正

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:

• 全身64Cu PET成像需要准确的减弱和散射校正,以提供可靠的诊断.
• 传统的校正方法可能耗时或需要额外的硬件.
• 深度学习为自动化和高效的图像校正提供了一个有希望的途径.

研究的目的:

• 在全身64Cu PET成像中开发和评估用于衰减和散射校正 (PET-DLAC) 的深度学习模型.
• 在68Ga-PSMA PET图像上的预训练模型中使用转移学习来评估模型的性能.
• 为了比较深度学习纠正的PET图像质量与传统的基于CT的减弱校正 (PET-CTAC).

主要方法:

• 使用MONAI框架实施swinUNETR深度学习模型.
• 在全身PET-nonAC和PET-CTAC图像对上训练模型.
• 在68Ga-PSMA PET图像上预先训练的模型上使用15个64Cu PET图像的有限数据集进行微调.
• 在不同时间点 (1小时,12小时,48小时) 的六个独立的64Cu PET数据集上对模型的评估.

主要成果:

• 深度学习模型实现了高图像质量,在12小时的时间点上表现出色 (MSE:0.002 ± 0.0004 SUV2,PSNR:43.14 ± 0.08 dB,SSIM:0.981 ± 0.002).
• 在不同的时间点 (1小时,12小时,48小时) 观察到一致且强的结果,表明了稳定性.
• 该模型成功生成了与PET-CTAC图像非常相似的PET-DLAC图像,尽管训练数据集很小,但显示的错误最小.

结论:

• 拟议的深度学习模型在全身64Cu PET成像中有效地执行衰减和散射校正.
• 转移学习是一种可行的策略,即使具有有限的特定培训数据,也可以实现可接受的绩效.
• 这种人工智能驱动的方法有可能提高64Cu PET图像分析的效率和准确性.