Rb-82 心肌灌注 PET 动力学参数估计：深度学习与粒子光滑 EM 方法比较
医学物理
2026-04-09 v2
摘要
正电子血清金属（PET）通过时间分辨成像实现对动态生理过程的定量化。在 Rb-82 心肌灌注 PET 中，使用动力学盒室模型来估计生理参数并导出心肌血流。然而，传统的非线性最小二乘（NLLS）估计对模型指定不准确时敏感，当参数不可可靠估计时必须固定或使用人口平均值初始化，这会降低精度。本工作发展并评估了两种替代动力学分析方法用于 Rb-82 PET：一种基于粒子光滑的期望最大化方法（PSEM）和一种卷积神经网络（CNN）。两种方法均使用模拟的 Rb-82 动态心肌灌注研究进行评估，并与 NLLS 和基于卡尔曼光滑的期望最大化（KEM）算法在多个帧持续时间和噪声水平下进行比较。在 2-10 秒帧中，CNN 在所有参数上实现最低的相对误差（F: 8.78-4.98%，k3: 26.05-25.50%，k4: 34.34-22.76%），显著优于 NLLS、KEM 和 PSEM（在 1.0x 噪声、2 秒帧下的 Holm 调整 p < 1e-15），尽管在超出分布的输入函数条件下性能会下降。总体而言，CNN 在各种帧持续时间下提供最准确且最稳健的动力学参数估计。相比之下，PSEM 表现出参数依赖性，改善了 k3 的估计，但对 F 的估计不佳，表明需要进一步的方法学完善。
引用
@article{arxiv.2412.04706,
title = {Comparison of Deep Learning and Particle Smoother EM Methods for Estimation of Rb-82 Myocardial Perfusion PET Kinetic Parameters},
author = {Myungheon Chin and Sarah J Zou and Garry Chinn and Craig S. Levin},
journal= {arXiv preprint arXiv:2412.04706},
year = {2026}
}
备注
40 pages, 9 figures. Tentatively accepted to Medical Physics