基于卷积神经网络中卷积长短期记忆的全身动态 PET 无监督帧间运动校正

全身动态 PET 中的受试者运动引起帧间失配并严重影响参数成像。传统非刚性配准方法通常计算量大且耗时。深度学习方法有望以快速实现高精度，但尚需在考虑示踪剂分布变化或全身范围内加以研究。本工作中，我们开发了一种无监督的基于深度学习的自动框架以校正帧间身体运动。运动估计网络是一个带有组合卷积长短期记忆层的卷积神经网络，充分利用动态时间特征与空间信息。我们的数据集包含 27 名受试者，每人接受 90 分钟 FDG 全身动态 PET 扫描。通过 9 折交叉验证，与传统及深度学习基线相比，我们证明所提网络在参数 $K_{i}$ 与 $V_{b}$ 图像间增强的定性与定量空间对齐以及显著减小的参数拟合误差方面获得了更优性能。我们还展示了所提运动校正方法对估计参数图像下游分析的潜在影响，提升了区分恶性与良性高代谢感兴趣区域的能力。一旦训练完成，我们所提网络的运动估计推断时间比传统配准基线快约 460 倍，显示出其在临床环境中易用的潜力。