UR-cycleGAN:使用循环一致的生成对抗网络去除全身低剂量PET图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射化学 放射化学是指辐射化学.

背景情况:

• 低剂量PET (LDPET) 成像对于减少辐射暴露和扫描时间至关重要.
• 然而,LDPET图像往往会受到图像质量下降和噪声增加的影响.
• 提高LDPET图像质量对于准确的诊断和患者管理至关重要.

研究的目的:

• 开发和评估一个基于CycleGAN的LDPET图像增强的denoising模型.
• 为了获得与标准剂量PET (SDPET) 图像相当的图像质量.
• 显著减少PET成像采集时间.

主要方法:

• 一个UR-CycleGAN模型是使用来自37名患者的-18氧化葡萄糖 (18F-FDG) PET/CT数据开发的.
• 低剂量图像被模拟为30秒的采集时间,而标准剂量图像使用2.5分钟的采集时间.
• 该模型在13,210个图像对上进行了训练,并使用PSNR和SSIM指标进行了评估.

主要成果:

• 基于CycleGAN的无雾化模型显著提高了模拟的LDPET图像的质量.
• 剥离的图像显示出SDPET图像质量的明显趋势.
• 目标评估指标 (PSNR,SSIM) 证实了图像质量的提升.

结论:

• 拟议的方法实现了高质量的PET成像,并减少了80%的采集时间.
• 该模型增强了视觉细节的真实性,证明了实际的实用性.
• 这种方法提供了一个可行的解决方案,可以减少成像时间,同时保持诊断图像质量.