低剂量PET/MR图像增强使用深度学习与基于MR的解剖结构注意力机制
Yunqi Zhang1,2, Hongping Meng1, Tianen Yu3
1Department of Nuclear Medicine, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Medical physics
|December 15, 2025
概括
这项研究开发了一个深度学习模型,将低剂量PET和MRI结合起来,以提高图像质量. PET_MR模型显著降低了噪音和提高了图像清晰度,使得低剂量的PET在诊断上更有用.
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:
- 射质子发射断层扫描 (PET) 成像对于分子成像至关重要,但由于高辐射暴露,它面临着局限性.
- 低剂量PET技术旨在减少辐射,但通常会导致噪音图像,阻碍诊断的准确性.
- 磁共振成像在没有电离辐射的情况下提供出色的软组织对比度,为提高PET图像质量提供了机会.
研究的目的:
- 通过使用深度学习整合MRI成像数据来提高低剂量PET扫描的图像质量.
- 为了使PET成像中的辐射追踪剂量减少,同时保持诊断实用性.
主要方法:
- 一项回顾性研究利用59名患者的PET/MR数据进行培训和验证.
- 合并网络模型,结合了带有自我注意的Unet++架构,处理了注册的低剂量PET和MR图像.
- 对比分析涉及PET_MR模型 (使用PET和MR) 和PET_only模型,以评估MR数据对消除噪音的影响.
主要成果:
- 与低剂量PET单独相比,PET_MR模型在图像质量指标 (PSNR,SSIM,RMSE) 中显示出显著的改进.
- 定量分析显示PET_MR增强图像和全剂量PET图像之间存在很高的相似性 (PSNR=33.9,SSIM=0.87).
- 对PET_MR的主观图像质量得分与全剂量PET相比,边界更清晰,噪音降低.
结论:
- 开发的PET_MR深度学习模型有效地提高了低剂量PET图像质量.
- 集成MR数据显著改善PET成像中的图像清晰度和降噪.
- 这种方法有望实现更安全,更低辐射的PET扫描,并保持诊断价值.
