相关性意识的级联生成对抗网络用于LSO传输图像在CT-less PET中拒绝
Chetana Krishnan1, Mohammadreza Teimoorisichani2
1The University of Alabama at Birmingham, AL, United States of America.
Biomedical physics & engineering express
|September 10, 2025
概括
这项研究引入了一种新的相关性意识的生成对抗网络 (reGAN),用于在没有CT的情况下在低剂量PET扫描中否定医疗图像. reGAN显著提高了图像质量和诊断可靠性,为定量准确性提供了可行的解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 图像重建 图像的重建
背景情况:
- 高质量的PET成像受到低辐射剂量和扫描时间的挑战,特别是没有基于CT的衰减图.
- 关节重建算法 (MLAA,MLACF) 改善了PET成像,但可以产生噪音减弱图 (μ-maps).
- 了解这些μ-map对于准确的PET图像解释和诊断至关重要.
研究的目的:
- 开发一个新的级联相关性意识的生成对抗网络 (reGAN) 用于否定μ-maps.
- 提高PET成像的诊断可靠性和质量,特别是在低剂量场景中.
- 为了提高缺乏基于CT的减弱校正的PET扫描的定量准确性.
主要方法:
- 设计了一个级联reGAN架构,集成UPlus GAN模块,相关性映射和上下文关注.
- 该模型在16名患者的PET/CT数据上进行了训练,使用MLAA/MLACF衍生的μ图作为输入,CT衍生的μ图作为基本真相.
- 使用SSIM,PSNR,VIF和MSE评估性能,并与其他2D和3DGAN进行比较.
主要成果:
- 在最高的SSIM (0.91-0.93),PSNR (34.7-36.2 dB) 和VIF (0.89-0.91) 和最低的MSE (0.018-0.021) 方面,reGAN实现了卓越的性能.
- 定性分析证实reGAN能够保存精细细节 (如骨结构) 并有效减少文物.
- 相关性地图提供了像素智能的信任指标,提高了解释性和诊断可靠性.
结论:
- 拟议的reGAN通过将生成建模与诊断信心指标相结合,为医学图像拒绝提供了一种强大的方法.
- 这种方法是一种可行的解决方案,可以在没有基于CT的衰减图的情况下实现低剂量PET成像的定量准确性.
- reGAN提高了PET扫描的可靠性和诊断价值,解决了现代医学成像中的关键挑战.
