基于监督深度学习的 PET 头运动估计
摘要
头部运动在脑脊图 positron emission tomography (PET) 成像中是一个显著挑战，导致图像伪影和示踪剂摄取量化不准确。有效的头部运动估计和纠正对于精确的定量图像分析和准确的神经系统疾病诊断至关重要。硬件基础的运动跟踪 (HMT) 在实际临床实践中受限于适用性。为克服这一限制，我们提出一种基于交叉注意力的深度学习头运动纠正方法 (DL-HMC++)，用于从 1 秒 3D PET 原始数据预测刚性头部运动。DL-HMC++ 通过利用现有动态 PET 扫描中来自外部 HMT 的金标准运动测量，以监督方式进行训练。我们在两个 PET 扫描仪 (HRRT 和 mCT) 以及四个放射性示踪剂 (18F-FDG、18F-FPEB、11C-UCB-J 和 11C-LSN3172176) 上评估 DL-HMC++，以展示该方法在大型队列 PET 研究中的有效性和通用性。定量和定性结果表明，DL-HMC++ 在数据驱动运动估计方法中始终优于最先进的方法，产生的运动自由图像清晰显示大脑结构，运动伪影减少，且与金标准 HMT 无异。脑区感兴趣标准摄取值分析显示，DL-HMC++ 与金标准 HMT 之间的平均差异比例分别为 HRRT 为 1.2 加减 0.5%，mCT 为 0.5 加减 0.2%。DL-HMC++ 显示出数据驱动 PET 头运动纠正以消除 HMT 负担，使运动纠正可被临床人群所接受的潜力。代码地址为 https://github.com/maxxxxxxcai/DL-HMC-TMI。
引用
@article{arxiv.2510.12758,
title = {PET Head Motion Estimation Using Supervised Deep Learning with Attention},
author = {Zhuotong Cai and Tianyi Zeng and Jiazhen Zhang and Eléonore V. Lieffrig and Kathryn Fontaine and Chenyu You and Enette Mae Revilla and James S. Duncan and Jingmin Xin and Yihuan Lu and John A. Onofrey},
journal= {arXiv preprint arXiv:2510.12758},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Medical Imaging (TMI), 2025. This is the accepted manuscript version