评估基于深度学习的减弱校正使用光子发射数据在专用头PET扫描仪的F-FDG图像中的可行性
Mahsa Shahrbabaki Mofrad1, Ali Ghafari1,2, Amin Amiri Tehranizadeh3
1Medical Physics and Biomedical Engineering Department, Faculty of Medicine, Tehran University of Medical Sciences, Tehran, Iran.
Biomedical physics & engineering express
|September 18, 2025
概括
深度学习从非减弱校正 (NAC) 数据中生成准确的头部和部测量减弱校正 (MAC) PET 图像. 这种AI方法显示了PET扫描仪在不需要计算机断层扫描 (CT) 进行衰减校正的情况下的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 核医学就是核医学.
背景情况:
- 精确的减弱校正对于定量PET成像至关重要.
- 传统方法通常依赖于计算机断层扫描 (CT),增加辐射暴露和扫描时间.
- 深度学习为生成经减弱校正的PET图像提供了一个潜在的替代方案.
研究的目的:
- 评估深度学习,特别是剩余网络 (ResNet) 的有效性,从非减弱校正 (NAC) 数据中生成测量减弱校正 (MAC) F-FDG PET 图像.
- 评估深度学习生成的MAC图像的准确性和视觉质量,用于头部和部成像.
- 调查模型在未见病理方面的性能及其消除基于CT的减弱校正需求的潜力.
主要方法:
- 一个残留网络 (ResNet) 在114名患者的2D头部和部F-FDG PET图像上接受了培训.
- 验证和测试涉及具有和没有病理的数据集,使用PSNR,SSIM,RMSE和MSE等指标.
- 分析了图像对比度和信号与噪声比率 (SNR),并使用配对样本t测试确定了统计意义. 核医学医生的专家评估也进行了.
主要成果:
- 深度学习模型生成的MAC图像在视觉上与参考图像相似,专家审查证实了这一点.
- 定量指标 (PSNR,SSIM,RMSE,MSE) 在正常和病理测试组中都显示出高准确度.
- 虽然在正常图像中没有发现SNR和对比度的显著差异,但在病理图像中观察到显著差异,表明模型对疾病存在的敏感性.
结论:
- 深度学习技术可以有效地从NAC数据直接生成头部和部MAC PET图像.
- 开发的ResNet模型显示了提高效率和降低辐射剂量的前景,因为它可能消除了基于CT的减弱校正的需要.
- 通过更多数据进行进一步的培训,可以提高该模型在专用头PET扫描仪中的临床应用的稳定性.
