FlowNet-PET：用于 PET 成像中呼吸运动校正的无监督学习
图像与视频处理
2022-08-04 v3 机器学习
摘要
为校正 PET 成像中的呼吸运动，我们构建了可解释的无监督深度学习技术 FlowNet-PET。该网络经训练以预测来自不同呼吸幅度范围的两帧 PET 图像间的光流。训练后的模型对齐不同的回顾性门控 PET 图像，提供计数统计类似于非门控图像但最终图像无模糊效应的结果。FlowNet-PET 应用于拟人化数字体模数据，其提供了设计稳健度量以量化校正效果的可能性。将预测光流与真值比较时，中位绝对误差小于像素与切片宽度。通过与无运动图像比较并计算肿瘤的交并比（IoU）以及校正前后无运动肿瘤体积内的包裹活度与变异系数（CoV），说明了改进效果。网络提供的平均相对改进分别为 IoU 64%、总活度 89% 与 CoV 75%。FlowNet-PET 取得了与传统回顾性相位分箱方法相似的结果，但仅需六分之一的扫描时长。代码与数据已公开（https://github.com/teaghan/FlowNet_PET）。
引用
@article{arxiv.2205.14147,
title = {FlowNet-PET: Unsupervised Learning to Perform Respiratory Motion Correction in PET Imaging},
author = {Teaghan O'Briain and Carlos Uribe and Kwang Moo Yi and Jonas Teuwen and Ioannis Sechopoulos and Magdalena Bazalova-Carter},
journal= {arXiv preprint arXiv:2205.14147},
year = {2022}
}