使用三维多区域卷积神经过器在专用乳腺正子发射断层扫描图像中的改进的无声化方案

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 专用乳腺正子发射断层扫描 (dbPET) 为早期乳腺癌检测提供了高空间分辨率.
• 由于敏感性降低,dbPET成像受噪声限制,影响病变的可见性.
• 之前的2D CNN降噪方法导致最大强度投影 (MIP) 图像模糊.

研究的目的:

• 开发和评估3D卷积神经网络 (CNN) 方法,以减少dbPET图像中的噪声.
• 为了提高图像的可见性,并保持dbPET扫描的定量准确性.
• 改进现有的2D CNN降噪技术.

主要方法:

• 多个3D卷积神经网络 (CNN) 被扩展为3D体积数据处理.
• 针对区域噪音降低,CNN被优化,使用1分钟的采集数据作为输入,7分钟的数据作为教师图像.
• 对2D波器进行了定量评估,对3D方向消噪波器进行了定量评估.

主要成果:

• 拟议的3D CNN降噪方法与2D CNN过器相比,表现优越.
• 在最大强度投影 (MIP) 重建中的图像可见性得到了显著改善.
• 使用幻影的定量评估证实了该方法能够保持最大标准化吸收值 (SUVMAX) 的可重复性.

结论:

• 开发的基于3D CNN的降噪技术有效提高dbPET图像质量.
• 这种方法提高了病变的可见性和定量准确性,这对于早期乳腺癌诊断和治疗评估至关重要.
• 三维方法克服了二维方法的局限性,提供更好的降噪,而不会影响诊断信息.