一种用于低剂量脑 PET 图像重建与分析的资源高效深度学习框架
图像与视频处理
2022-02-15 v1 机器学习
摘要
18F-氟脱氧葡萄糖(18F-FDG)正电子发射断层扫描(PET)成像通常需要全剂量放射性示踪剂以获得满意的诊断结果,这引发了关于辐射暴露潜在健康风险的担忧,尤其是对儿科患者。将低剂量 PET(L-PET)图像重建为高质量全剂量 PET(F-PET)图像是一种在降低辐射暴露的同时保持诊断精度的有效途径。本文提出一种用于 L-PET 重建与分析的资源高效深度学习框架,称为 transGAN-SDAM,用于由相应 L-PET 生成 F-PET,并在全脑量化这些生成 F-PET 的标准摄取值比(SUVR)。transGAN-SDAM 由两个模块组成:一个 transformer 编码的生成对抗网络(transGAN)和一个空间可变形聚合模块(SDAM)。transGAN 生成更高质量的 F-PET 图像,随后 SDAM 整合所生成 F-PET 切片序列的空间信息以合成全脑 F-PET 图像。实验结果证明了我们方法的优越性与合理性。
引用
@article{arxiv.2202.06548,
title = {A resource-efficient deep learning framework for low-dose brain PET image reconstruction and analysis},
author = {Yu Fu and Shunjie Dong and Yi Liao and Le Xue and Yuanfan Xu and Feng Li and Qianqian Yang and Tianbai Yu and Mei Tian and Cheng Zhuo},
journal= {arXiv preprint arXiv:2202.06548},
year = {2022}
}