基于深度学习的PET减弱校正的交叉追踪器概括性的调查
Jun Hou1, Tianqi Chen1, Yinchi Zhou1
1J. Hou and T. Chen are with the Department of Biomedical Engineering, Yale University, New Haven, CT, 06511, USA. Y. Zhou, X. Chen, H. Xie, Q. Liu, and M. Xia are with the Department of Biomedical Engineering, Yale University, New Haven, CT, 06511, USA. V. Y. Panin is with Siemens Medical Solutions USA Inc, Knoxville, TN, USA. T. Toyonaga is with the Department of Radiology and Biomedical Imaging, Yale University, New Haven, CT, 06511, USA. C. Liu is with the Department of Biomedical Engineering and the Department of Radiology and Biomedical Imaging, Yale University, New Haven, CT, 06511, USA. B. Zhou is with the Department of Radiology, Northwestern University, Chicago, IL, 60611, USA, and the Department of Biomedical Engineering, Yale University, New Haven, CT, 06511, USA.
对于PET减弱校正的深度学习模型可以在不同的放射性痕迹物中概括. 一个在18F-FDG PET数据上训练的模型在其他标记器上表现良好,减少了对标记器特定训练的需求.
科学领域:
- 医疗成像医学成像
- 放射化学 放射化学是指辐射化学.
- 人工智能的人工智能
背景情况:
- 精确的减弱校正 (AC) 对于定量PET成像至关重要.
- 基于CT的AC涉及辐射暴露;深度学习 (DL) 通过从PET数据生成CT等效衰减图 (μ-CT) 来提供无剂量替代方案.
- 现有的DL方法通常需要特定于追踪器的训练数据,这限制了它们对不太常见的追踪器的应用.
研究的目的:
- 调查DL模型的交叉追踪通用性,用于生成衰减图 (μ-DL).
- 要确定在一个标记剂 (例如,18F-FDG) 上训练的DL模型是否可以有效地应用于其他标记剂 (例如68Ga-DOTATE,18F-Fluciclovine) 和反之亦然.
- 评估不同输入特征 (μ-MLAA,λ-MLAA) 对μ-DL生成性能的影响.
主要方法:
- 使用MLAA重建和结合的μ-MLAA和λ-MLAA输入生成的μ-DL.
- 在对68Ga-DOTATE和18F-Fluciclovine进行应用时,评估了在18F-FDG上训练的DL模型的性能,反之亦然.
- 评估了μ-MLAA和λ-MLAA作为DL网络输入的贡献.
主要成果:
- 在一个标记器上训练的DL模型在与其他标记器相适应时表现出了竞争力.
- 经过18F-FDG训练的模型显示,在具有有限数据的较少常见标记物中,最好的概括性是最好的.
- 结合μ-MLAA和λ-MLAA输入,产生了最佳的性能,μ-MLAA具有更大的影响力.
结论:
- 基于DL的减弱地图生成的跨追踪器通用性是可行的.
- 经过18F-FDG训练的模型提供了一种有前途的方法,用于使用各种PET标记剂的无剂量AC.
- 优化DL输入特征,特别是μ-MLAA,可以提高AC的准确性.
