使用基于变压器的深度学习模型进行超快的多追踪器全身PET成像
Hao Sun1, Amirhossein Sanaat2, Wenxiang Yi3
1School of Biomedical Engineering, Southern Medical University, 1023 Shatai Road, Guangzhou 510515, China (H.S., W.Y., L.L.); Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, CH‑1211 Geneva, Switzerland (H.S., A.S., Y.S., C.E.D., C.I., H.Z.); Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University, 1023 Shatai Road, Guangzhou 510515, China (H.S., W.Y., L.L.); Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University, 1023 Shatai Road, Guangzhou 510515, China (H.S., W.Y., L.L.).
深度学习模型提高了超快扫描中的正电子发射断层扫描 (PET) 图像质量. 这项技术改善了多标志物全身PET成像中的病变检测和图像质量.
科学领域:
- 医学成像
- 人工智能
- 放射化学
背景情况:
- 在PET扫描中尽量减少动作物和患者的不适,因此需要缩短获取时间.
- 超快速PET成像在维持诊断图像质量方面存在挑战.
研究的目的:
- 开发和评估用于合成超快扫描的高质量PET图像的深度学习框架.
- 评估框架在多标志物全身PET成像中的性能.
主要方法:
- 对uEXPLORERPET/CT临床数据集的回顾性分析 ([18F]FDG,[18F]FAPI,[68Ga]FAPI).
- 通过列表模式数据截断生成超快速PET图像 (3-40秒).
- 开发两个3D SwinUNETR-V2变种 (仅使用PET和PET+CT融合).
- 对培训和测试进行5倍交叉验证.
主要成果:
- 与原来的超快扫描相比,这两种深度学习模型显著提高了主观图像质量和病变检测能力.
- 客观图像质量指标,包括峰值信号与噪声比 (PSNR),在超短的采集中得到了增强.
- [18F]FDG数据集在3s,6s和15s获取时间 (p < 0.001) 得到显著改善.
结论:
- 拟议的深度学习模型有效地提高了使用超快速协议获得的多追踪器全身PET扫描的图像质量.
- 在图像质量和病变检测性方面,合成的PET图像显示了与标准扫描相匹配的性能.
- 这种方法有望实现更快,更舒适的PET成像,
相关概念视频
Positron Emission Tomography
One of the main requirements of a PET scan is a positron-emitting radioisotope, which is produced in a cyclotron and then attached to a substance used by the part of the body...
Imaging Studies II: Positron Emission Tomography and Scintigraphy
Fundamental Principles of PET


