从PET图像通过双重交叉注意力机制进行结构语义引导的MR合成
Hongyan Tang1,2, Wenbo Li1, Zhenxing Huang1
1Research Center for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Medical physics
|July 15, 2025
概括
这项研究引入了一种新的深度学习网络,从正子发射断层扫描 (PET) 数据中合成磁共振成像 (MRI). 该方法通过保留结构性语义信息来提高医学成像效率和可访问性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 像PET/CT这样的多式成像提供了结构和功能洞察力,但在软组织可视化方面存在困难,特别是在脑部成像中,需要MRI.
- 对PET/MR设备的有限采用和MRI扫描期间患者的不适凸显了对替代MRI图像采集方法的需求.
研究的目的:
- 开发一种新的功能对结构方法,直接从PET数据中合成MR图像.
- 提出一个结构性的语义导向深度学习网络,以提高医学成像过程的效率和可访问性.
主要方法:
- 一个结构性的语义引导深度学习网络与双交叉注意 (DCA) 模块被开发用于PET-to-MR合成.
- 该网络结合了结构性语义损失来维护图像细节和DCA模块来捕获多尺度特征依赖.
- 性能与多种深度学习方法进行了评估,使用视觉,定量分析,相关性分析和语义细分.
主要成果:
- 提出的方法取得了卓越的视觉和定量结果,PSNR为29.09dB,SSIM为0.8417,MAE为0.0296.
- 相关性分析显示左尾状区域的拟合斜率为0.957,语义细分实现了右左丘脑的0.8977的Dice得分.
- 废除研究证实,结构性语义损失和DCA模块都显著提高了模型性能.
结论:
- 开发的PET-to-MR合成方法有效地保存语义信息,并使用结构性语义损失和注意力机制捕获全球细节.
- 该方法在图像合成方面表现出色,通过视觉,定量和语义细分分析进行验证.
- 未来的工作将探索这种合成方法在其他医学成像模式和临床环境中的应用.
