基于变分可逆网络的全数字化脑 PET 衰减校正合成 CT 生成
图像与视频处理
2023-10-04 v1 机器学习
神经元与认知
摘要
衰减校正（AC）对于生成无伪影且定量准确的 positron emission tomography（PET）图像至关重要。然而，PET 的 AC 面临包括扫描间运动以及结构体素强度到 PET 衰减校正因子的错误转换等挑战。如今，在结合 PET 与 computed tomography（CT）的设备商用化之后，定量 PET 的 AC 问题已得到很大程度的解决。同时，考虑到无需解剖成像的深度学习方法进行 PET AC 的可行性，本文开发了一种 PET AC 方法，该方法利用深度学习从非衰减校正 PET 图像生成连续值的 CT 图像，用于脑 PET 成像中的 AC。具体而言，提出了一种结合可变增强策略的可逆网络，能够实现双向推理过程，用于合成 CT 生成（IVNAC）。为评估所提算法的性能，我们使用对比算法（如 Cycle-GAN 和 Pix2pix）对来自 37 名临床患者的共计 1440 个数据进行了全面研究。感知分析与定量评估表明，用于 PET AC 的可逆网络优于其他现有 AC 模型，这证明了所提方法的潜力以及无需 CT 实现脑 PET AC 的可行性。
引用
@article{arxiv.2310.01885,
title = {Synthetic CT Generation via Variant Invertible Network for All-digital Brain PET Attenuation Correction},
author = {Yu Guan and Bohui Shen and Xinchong Shi and Xiangsong Zhang and Bingxuan Li and Qiegen Liu},
journal= {arXiv preprint arXiv:2310.01885},
year = {2023}
}