Deep-Fill：正电子发射断层扫描中基于深度学习的正弦图域间隙填充
医学物理
2019-06-19 v1
摘要
PET 扫描器设计与开发的主要挑战之一是探测器块之间存在非活跃区域，这会降解图像空间分辨率并导致条纹伪影，尤其在使用解析图像重建时。本研究的目的是评估利用深度卷积编码器-解码器在正弦图空间生成无间隙 PET 图像的可行性。对模拟 HRRT 扫描器的含间隙正弦图、作为理想/真值的无间隙正弦图以及由我们所实现的 deep-fill 方法预测的正弦图进行了定量比较。总计 1293 张体模图像被分为三个主要集合：训练集 1000 张、验证集 150 张和测试集 143 张。1000 张训练图像通过仿射变换及各种子变换（包括随机旋转、平移）增强至 12000 张图像，采用 2 种主要方法的 6 种频率。Deep-Fill 架构由编码器和解码器部分组成，包含卷积操作、最大池化、ReLU 激活、拼接和上卷积层。间隙图像经由网络所有可行路径，随后由网络解码器部分生成无间隙图像。生成图像的质量通过正弦图空间与重建图像中不同的质量指标定量评估。我们证明了应用于探测器间间隙填充的基于深度学习的方法能够以高定量精度恢复正弦图中缺失的数据，并有可能显著改善重建图像质量并防止 PET 图像定量化的退化。
引用
@article{arxiv.1906.07168,
title = {Deep-Fill: Deep Learning Based Sinogram Domain Gap Filling in Positron Emission Tomography},
author = {Isaac Shiri and Peyman Sheikhzadeh and Mohammad Reza Ay},
journal= {arXiv preprint arXiv:1906.07168},
year = {2019}
}