基于深度神经网络的CT伪PET合成
Haihua Wang1, Wei Zou1, Jiajun Wang1
1School of Electronic and Information Engineering, Soochow University, Suzhou 215006, People's Republic of China.
Physics in medicine and biology
|September 24, 2025
概括
这项研究引入了一种新的方法,可以从CT扫描中生成PET图像,从而提高瘤诊断的可访问性. 开发的MMF-PAE-GAN模型准确地合成了损伤区域,减少了昂贵的PET扫描的需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 综合PET/CT成像为瘤诊断提供了关键的解剖和功能数据.
- 与PET成像相关的高成本,有限的可用性和辐射问题限制了其临床应用.
- 开发功能性成像的替代方法对于改善可访问性和减少患者负担至关重要.
研究的目的:
- 开发一种跨模式的医疗图像合成方法,用于从CT扫描中生成PET图像.
- 在生成的PET图像中精确合成病变区域.
- 为了克服传统PET成像的局限性,例如成本和辐射暴露.
主要方法:
- 提出了一个称为多模融合预训练自编码器 (MMF-PAE-GAN) 的双阶段生成对抗网络 (GAN).
- 该方法将GAN前和GAN后与预训练自编码器 (PAE) 集成在一起,以增强特征提取.
- 采用多模特特征融合和感知损失来提高合成损伤区域的真实性.
主要成果:
- 在AutoPET和FAHSU数据集上,MMF-PAE-GAN实现了高性能,其中包括PSNR的指标高达29.17dB,SSIM高达0.92.9dB.
- 像素级度量表现出强大的图像重建精度.
- 切片级分类指标显示了高灵敏度 (85.31%),特异性 (97.02%) 和病变检测的准确性 (95.97%).
结论:
- MMF-PAE-GAN成功地从没有放射性痕迹的CT扫描中生成高质量的PET图像.
- 这种方法有可能显著提高临床环境中功能成像的可访问性和成本效益.
- 该方法为 PET 获取有限或重复扫描不可行的场景提供了可行的替代方案.
