对于TOF-PET列表模式图像重建的深度未卷原始双网络
Rui Hu1, Chenxu Li1, Kun Tian1
1State Key Laboratory of Extreme Photonics and Instrumentation, College of Optical Science and Engineering, Zhejiang University, Hangzhou 310023, People's Republic of China.
Physics in medicine and biology
|August 8, 2025
概括
我们开发了LMPDnet,这是一种用于飞行时间正子发射断层扫描 (TOF-PET) 列表模式重建的深度学习方法. 这种方法可以提高图像质量和降低噪音,特别是对于数量较少的数据,优于现有的算法.
科学领域:
- 医疗成像医学成像
- 核医学是一种核医学.
- 医疗保健中的人工智能
背景情况:
- 飞行时间 (TOF) 信息可以提高正电子发射断层扫描 (PET) 图像质量和降低噪音.
- 列表模式重建有效地利用TOF数据,但高级算法在低数量数据集上扎.
- 深度学习对PET重建有希望,但TOF集成对深度解卷方法构成存储挑战.
研究的目的:
- 引入LMPDnet,这是一个用于TOF-PET列表模式重建的新型深部未卷原始双网络.
- 解决当前TOF-PET重建算法的局限性,特别是在低数量的数据和深度学习存储需求方面.
主要方法:
- 拟议的LMPDnet,一个深度无滚动的多阶段原始双重网络.
- 每个阶段包含一个双网络用于列表模式更新和一个主要网络用于图像更新.
- 使用CUDA进行并行加速和高效的系统矩阵计算,用于TOF列表模式数据.
主要成果:
- 与传统方法 (OSEM,TV-LREM,SPDHG,TV-SPDHG) 和HistoCNN-2D相比,LMPDnet表现出优异的降噪和图像质量.
- 在视觉和定量分析中,在各种TOF分辨率和数据计数水平上观察到性能改善.
- 拟议的方法显著提高了TOF-PET列表模式数据的重建图像质量.
结论:
- 深度解卷方法显示了TOF-PET列表模式数据重建的巨大潜力.
- LMPDnet的性能优于当前主流的TOF-PET列表模式重建算法.
- 这项工作为TOF列表模式数据应用深度学习提供了新的见解.
更多相关视频
11:09High-Resolution Cardiac Positron Emission Tomography/Computed Tomography for Small Animals
Published on: December 16, 2022
3.8K
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
12.3K
