一种融合成像采集物理的基于深度学习的 PET 衰减图生成损失函数

在 PET/CT 成像中，CT 用于 PET 衰减校正（AC）。由于患者身体运动导致的 CT 与 PET 不匹配会引起 AC 伪影。此外，CT 自身的金属、束硬化和计数不足引起的伪影也会给 PET 带来不准确的 AC。最大似然活动与衰减联合重建（MLAA）被提出仅基于 PET 原始数据同时重建示踪剂活动（$\lambda$-MLAA）和衰减图（$\mu$-MLAA）以解决这些问题。然而，与基于 CT 的衰减图（$\mu$-CT）重建相比，$\mu$-MLAA 噪声高，$\lambda$-MLAA 偏差大。最近，卷积神经网络（CNN）被应用于从 $\lambda$-MLAA 和 $\mu$-MLAA 预测 CT 衰减图（$\mu$-CNN），其中使用了 $\mu$-CNN 与真实值 $\mu$-CT 之间的图像域损失（IM-loss）函数。然而，IM-loss 并未根据 PET 衰减物理直接度量 AC 误差，其中用于 AC 的是沿两个湮灭事件路径的衰减图（$\mu$）的线积分投影，而非 $\mu$ 本身。因此，用 IM-loss 训练的网络在 $\mu$ 生成中可能表现次优。在此，我们提出一种新颖的线积分投影损失（LIP-loss）函数，将 PET 衰减物理融入 $\mu$ 生成中。使用了 80 个全身 18F-FDG PET 训练数据集和 20 个测试数据集及配对的真实值 $\mu$-CT。定量评估表明，附加 LIP-loss 训练的模型能够显著优于仅基于 IM-loss 函数训练的模型。