基于GAN的Denoising用于18FFP-CIT PET/CT的扫描时间减少和运动校正:一个多中心的外部验证研究

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:

• 人工智能驱动的扫描时间缩短提高了医疗成像中的患者舒适性和效率.
• 缩短PET扫描时间对于运动障碍患者至关重要.
• 开发先进的算法是保持图像质量和缩短扫描时间的关键.

研究的目的:

• 开发和评估一个双对比学习生成对抗网络 (DCLGAN),用于从更短,可能更噪声的扫描中预测全日制18FFP-CIT PET扫描.
• 评估缩短扫描时间对疑似帕金森症患者的图像质量和诊断性能的影响.
• 为了验证DCLGAN模型在不同扫描仪和临床环境中的有效性.

主要方法:

• 利用了来自391名疑似帕金森症患者的18F FP-CIT PET/CT数据 (250名培训/验证,141名测试).
• 从15分钟扫描中重建的地面真相 (GT) 图像和从1分钟,3分钟,5分钟和10分钟扫描中生成的无色化图像 (DI).
• 使用NRMSE,PSNR,SSIM,视觉分析和临床指标 (BP ND,ISR) 评估图像质量;对来自另外两个医院的数据进行外部验证.

主要成果:

• 在医院A的五分钟DIs实现了最佳质量 (NRMSE 0.008,PSNR 42.13,SSIM 0.98),扫描≥3分钟被评为足够的.
• 平均BP ND差异显示出最小的变化,随着扫描持续时间的增加,信心区间下降.
• 外部验证表明,10分钟的DI (B医院) 和1分钟的DI (C医院) 符合质量基准;运动工件校正将子相似系数 (DSC) 从0.89提高到0.95.

结论:

• 该DCLGAN模型成功地产生高质量的18FFP-CIT PET图像从缩短的扫描时间.
• 人工智能方法提高了患者的舒适性,最大限度地减少了运动工件,并保持了帕金森症的诊断精度.
• 图像质量评估指标对于确定不同PET扫描器灵敏度的最佳扫描持续时间至关重要.