基于密集连接多维动态网络的心肌SPECT无分割部分容积校正
图像与视频处理
2022-12-06 v2 计算机视觉与模式识别
机器学习
摘要
在核医学成像中，有限分辨率导致部分容积效应（PVEs），影响图像清晰度和定量准确性。结合来自CT或MRI的高分辨率解剖信息的部分容积校正（PVC）方法已被证明是有效的。然而，此类解剖引导方法通常需要繁琐的图像配准和分割步骤。准确分割的器官模板也难以获取，尤其在心脏SPECT成像中，因为缺乏配备高端CT及相关运动伪影的混合SPECT/CT扫描仪。轻微的配准/分割错误会导致PVC后图像质量严重下降。在本工作中，我们开发了一种基于深度学习的方法，用于无需解剖信息及相关器官分割的快速心脏SPECT PVC。所提出的网络包含密集连接的多维动态机制，允许卷积核根据输入图像进行自适应调整，即使在网络完全训练后也是如此。心肌内血容量（IMBV）被引入作为网络优化的额外临床相关损失函数。所提出的网络在GE Discovery NM/CT 570c专用心脏SPECT扫描仪上结合64层CT使用锝-99m标记红细胞采集的28例犬类研究中展现出良好性能。本工作表明，带有密集连接动态机制的所提网络比无此机制的同构网络产生了更优的结果。结果还显示，无解剖信息的所提网络能够生成与解剖引导PVC方法生成的图像在统计上IMBV测量值相当的图像，这有助于临床转化。
引用
@article{arxiv.2206.12344,
title = {Segmentation-free PVC for Cardiac SPECT using a Densely-connected Multi-dimensional Dynamic Network},
author = {Huidong Xie and Zhao Liu and Luyao Shi and Kathleen Greco and Xiongchao Chen and Bo Zhou and Attila Feher and John C. Stendahl and Nabil Boutagy and Tassos C. Kyriakides and Ge Wang and Albert J. Sinusas and Chi Liu},
journal= {arXiv preprint arXiv:2206.12344},
year = {2022}
}
备注
12 pages, 11 figures. Accepted for publication at IEEE Transactions on Medical Imaging