基于深度学习的PET衰减校正方法在跨样本场景下的泛化能力研究

《IEEE Transactions on Radiation and Plasma Medical Sciences》：An Investigation on Cross-Tracer Generalizability of Deep Learning-Based PET Attenuation Correction

本研究探讨深度学习（DL）生成的CT等效衰减图（μ-CT）的跨示踪剂泛化能力，比较了在F-FDG上训练的DL模型在Ga-DOTATE和F-Fluciclovine上的表现，发现其效果与专用模型相当，尤其在数据较少时更具优势，并研究了多输入重建的影响。

　　

摘要：

衰减校正（AC）是确保正电子发射断层扫描（PET）成像准确性的关键步骤。为了消除CT带来的辐射剂量，人们广泛研究了基于深度学习（DL）的方法，以直接从PET信号生成等效于CT的衰减图（μ-CT）。然而，几乎所有先前的研究都仅关注18F-FDG，因为其数据量丰富，适合用于DL模型训练。对于其他较少见的示踪剂类型，通常认为需要针对这些特定示踪剂的数据单独训练新的模型才能保证良好的性能。在这项工作中，我们探讨了基于深度学习的衰减图生成模型的跨示踪剂泛化能力，主要研究的是在常用示踪剂（如18F-FDG）上训练的模型是否可以有效地应用于较少见的示踪剂（如68Ga-DOTATE和18F-Fluciclovine），反之亦然。与直接从未经衰减校正的PET图像生成衰减校正后的PET图像的方法或通过最大似然重建活动量和衰减（MLAA）的方法不同，我们使用MLAA重建结合衰减图（μ-MLAA）和示踪剂活性（λ-MLAA）的输入来生成基于CT的DL衰减图（μ-DL）。然后利用μ-DL进行衰减校正，以获得最终的AC PET图像。我们对μ-CT生成和PET重建的全面评估表明，在一种特定示踪剂上训练的DL模型可以适应其他示踪剂，并且与针对特定示踪剂训练的DL模型相比具有竞争力的性能。在应用于数据量相对较少的较少见示踪剂时，18F-FDG训练的模型展现了最佳的泛化能力。此外，我们还研究了μ-MLAA和λ-MLAA作为输入的作用...

显示更多

引言

正电子发射断层扫描（PET）在医学中起着至关重要的作用。衰减校正（AC）是实现准确定量PET成像的关键步骤。传统上，人们结合CT使用PET来提供所需的AC信息，生成针对患者的衰减校正图。虽然这种方法有效，但使用CT扫描会引入潜在问题，例如PET-CT对齐不良[1]、[2]或CT本身带来的问题（如金属伪影、运动伪影等）。此外，使用CT进行AC还会增加患者的辐射暴露[4]，这对于需要多次扫描的患者尤其令人担忧。另一种方法是PET/MR扫描，它可以消除额外的辐射，但面临自身的挑战，因为MR图像不能直接提供AC所需的信息[5]、[6]。