基于深度学习的长轴向 FOV PET 扫描器散射校正评估
医学物理
2025-02-10 v4
摘要
目标: 长轴向场域 (LAFOV) positron 脉冲嵌入扫描 (PET) 系统允许更高灵敏度，由于接受角度的扩大，导致检测到的 LOR 数量增加。然而，这一扩展角度增加了多个散射的数量以及斜面内的散射贡献。由于散射影响重建图像的质量和定量化，因此必须使用比当前单散射模拟 (SSS) 更精确的方法进行校正。在本工作中，我们扩展了之前在常规 PET 系统上进行的深度学习基于散射估计 (DLSE) 评估，以评估 LAFOV 全身 PET 上的 DLSE 方法性能。方法: 提出的 DLSE 方法基于卷积神经网络 (CNN) U-Net 架构，使用辐射和消光 sinogram 来估计散射 sinogram。该网络基于蒙特卡洛 (MC) 模拟的 XCAT 幽灵动物模型 [18F]-FDG PET 采集，使用 Siemens Biograph Vision Quadra 扫描器模型进行训练，包含多种形态学和剂量分布。我们首先在模拟数据上以 sinogram 和图像域评估该方法的性能，通过与 MC 真值和 SSS 散射 sinogram 进行比较。随后我们在七个 [18F]-FDG 和七个 [18F]-PSMA 临床数据集上进行测试，并与 SSS 估计进行比较。结果: DLSE 在幽灵动物模型数据上显示出更好的精度，对患者大小和剂量变化的鲁棒性优于 SSS，并实现更好的肿瘤对比度恢复。它还在临床数据中取得了有前景的结果，改善了 [18F]-FDG 数据集中的肿瘤对比度，并在 [18F]-PSMA 数据集上表现出一致性，尽管这些数据集在训练时未使用 [18F]-PSMA。
引用
@article{arxiv.2501.01341,
title = {Evaluation of Deep Learning-based Scatter Correction on a Long-axial Field-of-view PET scanner},
author = {Baptiste Laurent and Alexandre Bousse and Thibaut Merlin and Axel Rominger and Kuangyu Shi and Dimitris Visvikis},
journal= {arXiv preprint arXiv:2501.01341},
year = {2025}
}
备注
15 pages, 10 figures, 3 tables