使用深度神经网络的正电子发射断层扫描 (PET) 图像

正电子发射断层扫描 (PET)/计算机断层扫描 (CT) 使用多种示踪剂，其中氟脱氧葡萄糖 (FDG) 最为普遍，已成为肿瘤学的主要成像方式。 PET 和 CT 分量分别反映代谢和解剖信息。 PET 图像基于检测由正电子发射同位素产生的两个湮灭 511 KeV 光子。 采集时间越长，检测和处理的光子越多，图像质量越好。 然而，较长的扫描时间（每次扫描通常需要 20-40 分钟）对患者来说不太方便，并且可能导致患者移动和错位。 多年来，已经开发了多种方法，例如 3D 和飞行时间采集，以补偿由于缩短扫描时间而导致的图像质量下降。 最近，一些研究使用机器学习从低质量图像中生成诊断图像。 Xiang 等人将 3 分钟内获取的大脑 PET 图像（即低质量 PET (LPET)）与 12 分钟内获取的标准 PET 图像（即 SPET）进行了比较。 他们使用深度神经网络 (DNN) 将 LPET 和 T1 加权图像组合在一起，生成与 SPET 图像等效的诊断 PET 图像。

我们研究的目标是使用 Sheba 成像部门的 CILAB 实验室开发的 DNN 算法，生成每个床位采集时间为 10 秒的诊断 PET 图像。

该算法先前已成功验证用于超低剂量胸部 CT 扫描的去噪，使其适用于肺癌筛查。 这些算法基于局部一致的非局部均值 (LC-NLM) 算法。

LC-NLM 算法使用快速近似最近邻 (ANN) 在特意构建的数据库中为输入图像中的每个噪声块找到最相似的高 SNR 块（Green 等人）] 我们建议使用最近引入了非局部神经网络（Wang 等人），以便将 LC-NLM 堆叠成一个完全可训练的、局部一致的非局部块（LC-NLB）。 原始的非局部网络将经典的非局部均值 (NLM) 算法（Buades 等人）的思想结合到一个神经网络块中，该块将特定位置的输出计算为所有位置的特征的加权和.