基于深度学习的脑 PET-MR 衰减校正：在成人及临床儿科数据中的方法验证
医学物理
2022-12-05 v1
摘要
当前基于磁共振的正电子发射断层扫描衰减校正（PET-MR AC）方法耗时较长，且相较于基于计算机断层扫描（CT）的 AC 方法，在捕捉个体间差异和颅骨异常方面能力较弱。已有研究提出利用深度学习方法从 MR 图像生成伪 CT，但这些方法尚未在大型临床队列中评估。基于健康成人数据训练的模型可能无法用于颅骨形态可能异常的临床表现队列，或颅骨通常更薄更小的儿科数据。本文中，我们训练了一个基于 U-Net 的卷积神经网络以生成用于 PET-MR AC 的伪 CT。我们在健康成人和接受神经学临床 PET 扫描患者的混合队列上训练网络。结果表明，相较于参考 CT，我们的方法生成的伪 CT 平均绝对误差（MAE）为 100.4 21.3 HU，颅骨掩膜内的 Jaccard 重叠系数为 0.73 0.07。与基于 CT 的线性衰减图相比，基于我们的伪 CT 的线性衰减图（相对 MAE = 8.4 2.1%）比基于表现良好的多图谱 AC 方法的线性衰减图（相对 MAE = 13.1 1.5%）更准确。我们在临床儿科队列中对训练好的网络进行微调。在儿科数据集中，使用原有网络的 MAE 为 174.7 33.6 HU，经迁移学习后降至 127.3 39.9 HU，表明迁移学习可提升儿科数据中的伪 CT 精度。
引用
@article{arxiv.2212.01294,
title = {Brain PET-MR attenuation correction with deep learning: method validation in adult and clinical paediatric data},
author = {Siti N. Yaakub and Colm J. McGinnity and Eric Kerfoot and Ines Mérida and Katherine Beck and Eric Dunston and Marica Muffoletto and Suryava Bhattacharya and Ahmed Qureshi and Joel Dunn and Jane MacKewn and Alexander Hammers},
journal= {arXiv preprint arXiv:2212.01294},
year = {2022}
}
备注
10 pages, 4 figures