通过三维MRI域翻译合成PET

Abhejit Rajagopal; Yutaka Natsuaki; Kristen Wangerin; Mahdjoub Hamdi; Hongyu An; John J. Sunderland; Richard Laforest; Paul E. Kinahan; Peder E. Z. Larson; Thomas A. Hope

通过三维MRI域翻译合成PET

医学物理 2022-06-14 v1 计算机视觉与模式识别

作者: Abhejit Rajagopal , Yutaka Natsuaki , Kristen Wangerin , Mahdjoub Hamdi , Hongyu An , John J. Sunderland , Richard Laforest , Paul E. Kinahan , Peder E. Z. Larson , Thomas A. Hope

在 arXiv 上查看 ↗ PDF ↗

摘要

历史上，患者数据集已被用于开发和验证各种PET/MRI与PET/CT的重建算法。为使得此类算法开发无需获取数百例患者检查，本文中我们展示了一种深度学习技术，可从丰富的全身MRI生成合成但真实的全身PET正弦图。具体而言，我们使用56例 $^{18}$ F-FDG-PET/MRI检查的数据集训练一个三维残差UNet，以从全身T1加权MRI预测生理性PET摄取。在训练中，我们实现了平衡损失函数以在大的动态范围内生成真实摄取，并沿断层响应线计算损失以模拟PET采集。预测的PET图像被前向投影以产生合成PET飞行时间(ToF)正弦图，其可与供应商提供的PET重建算法一起使用，包括基于CT的衰减校正(CTAC)与基于MR的衰减校正(MRAC)。所得合成数据重现了生理性 $^{18}$ F-FDG摄取，例如脑与膀胱的高摄取，以及肝、肾、心与肌肉中的摄取。为模拟高摄取异常，我们还插入了合成病灶。我们证明该合成PET数据可与真实PET数据互换用于比较基于CT与基于MR的衰减校正方法的PET量化任务，与使用真实数据相比在平均SUV上达到 $\leq 7.6\%$ 的误差。这些结果共同表明所提出的合成PET数据流水线可合理地用于PET/MRI重建方法的开发、评估与验证。

关键词

合成PET 域翻译三维MRI 深度学习衰减校正 PET重建残差UNet

引用

@article{arxiv.2206.05618,
  title  = {Synthetic PET via Domain Translation of 3D MRI},
  author = {Abhejit Rajagopal and Yutaka Natsuaki and Kristen Wangerin and Mahdjoub Hamdi and Hongyu An and John J. Sunderland and Richard Laforest and Paul E. Kinahan and Peder E. Z. Larson and Thomas A. Hope},
  journal= {arXiv preprint arXiv:2206.05618},
  year   = {2022}
}

备注

under review

通过三维MRI域翻译合成PET

摘要

关键词

引用

备注

相关论文