使用双向匹配网络对[¹¹C]CFT脑PET进行CT-Free减弱和散射校正

科学领域:

• 神经成像是一种神经成像.
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 定量PET成像需要精确的减弱和散射校正 (ASC).
• 基于标准CT的ASC引入了辐射暴露,这是对重复神经扫描的担忧.
• 开发无CTASC方法对于患者安全和扫描可行性至关重要.

研究的目的:

• 应用和扩展[11C]CFT脑PET的无CT深度学习框架.
• 为了实现诊断可比的多巴胺载体 (DAT) 量化,而无需CT相关辐射.
• 评估一个新的双向离散过程匹配 (Bi-DPM) 网络与现有的深度学习方法的性能.

主要方法:

• 调整了一个双向离散过程匹配 (Bi-DPM) 网络,用于在未经纠正 (NASC-PET) 和纠正 (ASC-PET) 图像之间进行可逆转换.
• 利用离散一致性约束来消除伪CT生成或解剖学先验的需要.
• 对90名帕金森综合征患者的框架进行了评估,比较Bi-DPM与CycleGAN,Pix2Pix和Rektified Flow (RF).

主要成果:

• 在量化指标 (MAE,PSNR,SSIM) 中,Bi-DPM在CycleGAN,Pix2Pix和RF上表现优越.
• 双DPM显示出与CT-ASC参考标准化吸收值平均值 (SUVmean) 测量 (CCC > 0.98,PCC > 0.98) 的优异一致.
• 沃克塞尔智能分析证实了Bi-DPM的临床有效性,统计学意义图与CT-ASC紧密结合.

结论:

• 使用Bi-DPM的无CT深度学习方法有效地保持了DAT成像的PET量化准确性.
• 这种方法通过省略CT扫描,显著减少辐射暴露,提高神经学研究的安全性.
• 双DPM为临床环境中准确和安全的定量脑PET成像提供了一个有希望的替代方案.