基于深度学习的PET图像从双面板乳腺专用扫描仪的恢复

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 医疗保健中的人工智能

背景情况:

• 定子发射断层扫描 (PET) 对于乳腺癌的治疗至关重要,但受到高成本的限制.
• 双面板PET扫描仪提供了一种具有成本效益的替代方案,但与全环系统相比,其图像质量和定量偏差较低.
• 现有的局限性阻碍了低成本PET技术的广泛采用和诊断准确性.

研究的目的:

• 研究深度学习 (DL) 的应用,以提高专用双面板乳腺PET扫描仪的图像质量.
• 解决双面板系统的局限性,旨在实现与全环扫描仪相提并论的图像质量.
• 探索基于DL的图像合成,以减少工件和提高定量准确性.

主要方法:

• 使用GATE工具包模拟的双面板和全环PET扫描仪配置的蒙特卡洛模拟.
• 训练了一个SwinUNETR深度学习架构,从双面板数据中合成全环等效图像.
• 模拟利用51名患者的临床F-FDG乳腺PET/CT数据进行现实的活动和衰减图.

主要成果:

• 双面板扫描仪的空间分辨率 (3.2毫米) 和灵敏度 (8.9cps/kBq) 比全环系统 (1.6毫米,14.2cps/kBq) 低.
• 人工智能增强的双面板图像显示出显著的改善:PSNR增加了2.65%,SSIM增加了26.4%,RMSE减少了12.1%.
• 双面板和全环数据之间的Voxelwise相关性大大改善,R²从0.75增加到0.96.

结论:

• 深度学习具有显著的潜力,可以从双面板系统中生成高质量的,减少人工制品的乳房PET图像.
• 基于DL的方法可以有效地弥合经济高效的双面板和昂贵的全环PET扫描仪之间的性能差距.
• 这项技术可以通过更实惠的PET成像来实现更广泛的乳腺癌诊断和监测.