一个深度学习的降噪算法在高速全身360°CZT摄像头上优于之前骨SPECT所需的空间过器

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 核医学就是核医学.

背景情况:

• 在SPECT成像中的空间过器 (CSF) 减少噪音,但也使图像光滑,减少SUV和对比度.
• 开发了一种深度学习降噪 (DLNR) 算法,以减少骨SPECT记录时间.
• 本研究评估DLNR作为传统空间过器的替代品,而不是补充.

研究的目的:

• 为了评估DLNR算法的性能,作为一个独立的降噪技术在骨 SPECT.
• 在图像质量和损伤量化方面,比较DLNR与传统空间过器 (CSF) 的有效性.
• 评估DLNR对对比度和噪声比率 (CNR) 和损伤检测能力的影响.

主要方法:

• 一种深度学习降噪 (DLNR) 算法被应用到骨SPECT图像上.
• 将DLNR的性能与传统的空间过器 (CSF) 和联合CSF-DLNR方法进行了比较.
• 定量分析包括病变的SUVmax,分辨率恢复系数,相对噪声和对比度与噪声比 (CNR).
• 用小型和中型球体的幻影研究来评估分辨率和CNR.

主要成果:

• 与CSF相比,DLNR显著增加了骨损伤的SUVmax和分辨率恢复系数 (p < 0.001).
• DLNR和CSF-DLNR显示相对噪声低于CSF (p < 0.001).
• DLNR显著增加了CNR,特别是在中小型结构中,在1cm3左右的病变中几乎翻了一番.
• 在同等的降噪水平下,DLNR的性能优于其他过器 (中位数,内核,Butterworth,Gaussian).

结论:

• 当单独使用DLNR算法时,它可以在骨SPECT中增强CNR和病变量化,特别是在中小病变中.
• 与传统过器相比,DLNR在高速CZT摄像头上提供了优越的图像质量,用于例行骨SPECT分析.
• 对于DLNR的广泛临床采用,需要进一步验证.