深度学习使得能够从低剂量的动态[\(^{18}\)F]-MK6240 Tau PET数据中进行定量动力学建模

《Scientific Reports》：Deep learning enables quantitative kinetic modeling from low-dose dynamic [\(^{18}\) F]-MK6240 Tau PET

　　

摘要

使用[\(^{18}\)F]-MK6240作为示踪剂的动态正电子发射断层扫描（PET）成像在阿尔茨海默病研究中得到了广泛应用，但动态采集的时间框架较短，检测到的事件数量较少。这导致图像质量较差，进而使得动力学参数的估计不够准确，尤其是在体素层面进行参数估计时。降低注射剂量可以减少辐射暴露，使重复扫描变得更加可行，但前提是必须保持动力学参数的准确性。在这项研究中，我们评估了两种深度学习去噪方法——U-Net和Restormer——在低剂量（全剂量的10%）[