基于 3D 卷积注意力网络的脑 MRI 到 PET 合成
计算机视觉与模式识别
2022-11-23 v1 机器学习
图像与视频处理
摘要
脑血流（CBF）的准确量化对于广泛神经系统疾病的诊断与评估至关重要。使用放射性标记水（15O-water）的正电子发射断层扫描（PET）被认为是人体 CBF 测量的金标准。然而，PET 成像由于成本高昂且使用短寿命放射性药物示踪剂（通常需现场回旋加速器生产）而未能普及。相比之下，磁共振成像（MRI）更易获取且不涉及电离辐射。本研究提出一种带注意力机制的卷积编码器-解码器网络，从多序列 MRI 扫描预测金标准 15O-water PET CBF，从而免除放射性示踪剂需求。预测模型的输入包括几种常用 MRI 序列（T1 加权、T2-FLAIR 与动脉自旋标记）。该模型在由健康对照与脑血管病患者组成的 126 名受试者组中采用 5 折交叉验证进行训练与验证，所有受试者均接受了同步 $15O-water PET/MRI。结果显示，此类模型可成功合成高质量 PET CBF 测量（平均 SSIM 为 0.924，PSNR 为 38.8 dB），且比同期及以往的 PET 合成方法更准确。我们还通过评估识别低 CBF 血管区域的一致性，证明了所提算法的临床意义。此类方法可使因辐射顾虑、缺乏设备或后勤困难而无法接受 PET 成像的更大群体获得更广泛且准确的 CBF 评估。
引用
@article{arxiv.2211.12082,
title = {Brain MRI-to-PET Synthesis using 3D Convolutional Attention Networks},
author = {Ramy Hussein and David Shin and Moss Zhao and Jia Guo and Guido Davidzon and Michael Moseley and Greg Zaharchuk},
journal= {arXiv preprint arXiv:2211.12082},
year = {2022}
}
备注
19 pages, 14 figures