使用Pix2pix深度学习的SPECT脑血流图像的分辨率和质量提升
Nobuyuki Kudomi1, Katsuya Mitamura2, Yukito Maeda3,4
1Department of Medical Physics, Faculty of Medicine, Kagawa University, Ikenobe 1750-1, Miki-Cho, Kita-Gun, Takamatsu, Kagawa, 761-0793, Japan. kudomi.nobuyuki@kagawa-u.ac.jp.
Annals of nuclear medicine
|November 13, 2025
概括
这项研究使用Pix2pix深度学习模型增强了单光子发射计算机断层扫描 (SPECT) 脑血流 (CBF) 成像. 改进的SPECT图像与正子发射断层扫描 (PET) 的质量非常相匹配,同时保持了定量准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 脑血流 (CBF) 成像对于诊断神经疾病至关重要.
- 单光子发射计算机断层扫描 (SPECT) 与I-IMP提供CBF成像,但与 pozitron发射断层扫描 (PET) 相比,在空间分辨率和图像质量方面存在局限性.
研究的目的:
- 为了提高SPECT-CBF图像的空间分辨率和图像质量.
- 为了利用pix2pix机器学习框架来改进SPECT成像.
- 使用SPECT数据实现类似PET的图像质量.
主要方法:
- 73名怀疑患有脑缺血的患者接受了SPECT和PET-CBF成像.
- 使用SPECT-CBF图像作为输入和PET-CBF图像作为目标,训练了一个pix2pix深度学习模型.
- 使用视觉评估,结构相似度指数 (SSIM) 和兴趣区域 (ROI) 分析来评估图像质量和准确性.
主要成果:
- 由pix2pix生成的SPECT-CBF (P2P-SPECT-CBF) 图像显示显著改善了与PET图像的视觉相似性 (平均得分为4.2).
- 与PET相比,结构相似性 (SSIM) 从传统SPECT的0.79增加到P2P-SPECT-CBF的0.86,与PET相比.
- 定量分析表明P2P-SPECT-CBF和PETCBF值 (r=0.78),以及P2P-SPECT-CBF和常规SPECT值 (r=0.86) 之间存在很强的相关性.
结论:
- 像素2像素框架有效地提高了SPECT-CBF图像质量和分辨率.
- 生成的P2P-SPECT-CBF图像具有与PET-CBF相似的图像对比度.
- 这种方法保留了SPECT-CBF的定量准确性,同时改善了图像特性.
