基于深度学习的PET/CT金属伪影减少技术
研究将深度学习金属伪影减少技术分别实现于图像域(DLI-MAR)和投影域(DLP-MAR),并与归一化金属伪影减少(NMAR)方法进行定量比较。在模拟数据中DLI-MAR的SSIM为0.95±0.2,优于DLP-MAR的0.94±0.2和NMAR的0.93±0.3;临床PET/CT中DLI-MAR使PET定量偏差降至1.3±3%,而无MAR为10.5±6%、NMAR为3.2±0.5%。
要点
- DLI-MAR在模拟数据集上SSIM为0.95±0.2,优于DLP-MAR的0.94±0.2和NMAR的0.93±0.3。
- 临床PET/CT中DLI-MAR的PET定量偏差为1.3±3%,无MAR为10.5±6%,NMAR为3.2±0.5%。
- 金属伪影可致PET散射校正低估或高估,如PET-CTAC散射分数58% vs PET-NMAR 33% vs PET-DLI-MAR 24%。
关键影像表现/征象
- 金属物体(如牙科植入物、弹簧圈、髋/肩关节假体)导致严重光子饥饿、束硬化与散射,在重建CT图像上产生条纹、星形和空洞等伪影。
- 金属伪影不仅出现在金属物体所在部位,还波及周围区域,可扭曲CT信号或产生人工信号,影响CT图像判读和定量准确性。
- CT图像中的金属伪影可导致PET衰减校正图不准确,进而引起PET图像定量偏差、图像伪影以及散射校正的低估或高估。
- PET图像中金属伪影所致放射性示踪剂摄取偏差在不回顾衰减图时不易识别。
- MAR技术(尤其DLI-MAR)可明显消除CT图像中的条纹和暗带,从而减少植入物周围的PET伪影。
诊断标准与关键数值
- 模拟数据集评估指标:DLI-MAR的SSIM为0.95±0.2,DLP-MAR为0.94±0.2,NMAR为0.93±0.3。
- 临床PET定量偏差:DLI-MAR为1.3±3%,无MAR为10.5±6%,NMAR为3.2±0.5%。
- 散射分数示例一:PET-CTAC为58%,PET-NMAR为33%,PET-DLI-MAR为24%。
- 散射分数示例二:PET-CTAC为11%,PET-NMAR为19%,PET-DLI-MAR为25%。
- 模拟数据集验证集由140个模拟金属伪影样本组成,按金属形状、材料和解剖区域分层分析未发现显著差异。
临床应用与阅片要点
- 阅片时需注意CT图像中金属植入物所致条纹、星形和空洞伪影可影响周围组织密度评估及PET衰减校正的准确性。
- PET图像中金属植入物周围出现的异常放射性摄取增高或减低可能为金属伪影所致,需结合CT衰减图综合判断。
- DLI-MAR可减少金属伪影对PET图像的不良影响,但本研究为回顾性分析,尚未作为标准方法推荐。
- 金属伪影可影响基于模型的散射校正,导致全身PET定量偏差,阅片时应关注散射分数是否异常。
局限性
- 临床评估为回顾性研究,且缺乏真实衰减图作为参考标准,临床数据集中的偏差是相对于未应用MAR技术的PET-CTAC计算得出。
- 研究未报告样本量计算或置信区间。
- 原文未报告随访信息。
全文中译11 节 · 点击展开
引言
大量被转诊接受全身PET/CT检查的患者存在金属物体,如弹簧圈、牙种植体/充填物以及髋/肩假体。这些高衰减金属物体会导致严重的光子饥饿、束硬化及散射,从而在重建CT图像中产生不良伪影,包括条纹状、星形及空洞伪影。CT成像中金属物体的存在通常会引起强烈的亮暗条纹伪影,不仅出现在金属物体所在部位,也出现在周围区域,从而导致图像质量严重下降。金属所致伪影可能扭曲CT信号(取决于金属物体的大小和材料)或产生虚假信号,这可能对CT图像的判读产生不良影响,进而可能影响临床诊断。除金属所致伪影对CT图像视觉评估的不良影响外,金属物体邻近区域CT信号的定量准确性也可能受到影响[1]。对金属物体邻近区域CT图像的定量分析显示,由于CT信号的扭曲,组织密度出现大幅低估/高估[2]。
除放射学中用于诊断成像的CT对比增强应用外,该成像方式还被用于基于CT的衰减校正(AC)框架下的定量正电子发射断层成像(PET)[3]。任何影响CT图像的问题或图像伪影都会反映在经衰减校正的PET图像中,可能导致误诊和/或定量误差[4, 5]。此外,CT图像通常作为评估MRI引导衰减校正[6–8]和放射肿瘤学中仅MRI治疗计划[9]的参考标准。
PET成像本身中金属物体的存在不会造成任何信号丢失/扭曲;然而,不正确的CT值(由金属伪影所致)可能导致不准确的PET衰减和散射校正。在金属物体邻近区域会观察到放射性浓度明显的过高/过低估计。此外,CT图像中的强烈条纹伪影可能扭曲真实的PET信号,还可能在PET图像中产生虚假信号(例如假性异常)。当基于CT的PET衰减图中的金属物体导致不准确的散射校正时,其影响不会仅限于金属伪影所在部位,而会影响整个PET容积[4]。金属伪影通过CT图像的视觉检查易于发现;然而,受金属伪影所致不正确AC图影响的PET图像中放射性示踪剂摄取偏差,在不查看衰减图的情况下不易识别。因此,PET成像中的金属伪影校正与CT成像中同样重要。
为解决这一问题,文献中已提出多种金属伪影减少(MAR)方法[3, 10]。然而,尚无一种被广泛采纳为参考标准,因此,MAR仍然是CT和PET/CT成像中的主要挑战之一[11]。
基于先验图像的最先进金属伪影减少(MAR)方法是归一化MAR(NMAR),其中对原始/受影响图像或线性插值(LI)校正图像应用基于阈值的图像/组织分类以生成先验图像[12]。该方法倾向于尽可能多地从原始或部分校正图像中的未受影响区域提取信息,以预测/校正/估计原始图像中缺失或受影响的区域。迭代图像重建方法倾向于通过从未受影响或初步校正的投影/数据箱重建CT图像来抑制金属伪影[13–16]。尽管做出了这些努力,由于金属植入物的尺寸、材料、位置和背景结构高度多样,使用单一MAR框架对所有金属伪影取得可接受/令人满意的结果仍具有挑战性。因此,已有若干尝试将两种或三种MAR方法结合起来设计混合方法[17]。混合方法已显示出优于单独每种MAR技术的性能[3]。这些方法倾向于通过考虑束硬化效应和泊松噪声[13]或采用预处理步骤(例如使用其他MAR技术)来提供更真实/准确的金属伪影建模,从而为当前问题提供针对具体病例的先验知识[17]。因此,这些方法将先验知识和/或传统MAR技术与针对MAR精细调优的迭代图像重建算法相结合。
基于深度学习的算法作为解决各种图像分析和模式识别问题的有前景的方法而出现,并已成功应用于CT成像中的金属伪影减少[18–23]。基于深度学习的MAR技术可归类为第四类MAR方法,其中对金属所致束硬化的校正应用于投影域[22]或图像域[19]。基于束硬化校正的MAR方法(如NMAR)在高衰减金属植入物存在时能力有限。基于深度学习的MAR方法已证明能够在投影域或图像域中改进NMAR算法的性能,以消除NMAR引入的残余误差或新伪影[24]。
本工作的目的是开发并评估一种基于深度学习的MAR,以改进PET/CT成像中基于CT的衰减和散射校正。为此,受金属伪影影响的CT图像由基于深度学习的MAR处理,以评估对所得PET图像的影响。所提出的方法还与作为基线比较技术的NMAR进行了比较。
材料与方法
数据采集
本工作使用了两个临床数据库,包括用于训练和评估基于深度学习的MAR方法的模拟数据集,以及用于临床评估的全身18F-FDG PET/CT图像。模拟数据集由80幅无金属全身CT图像组成,这些图像是在Biograph mCT PET/CT扫描仪(Siemens Healthcare)上使用以下参数采集的:有效管电流 = 100 mAs,管电压 = 110–120 kVp,层厚 = 3 mm,自动管电压选择,自动管电流调制,螺距因子为1,平均CTDIvol = 5.8 mGy,DLP为65 mGy·cm(平均BMI = 29.5)。从无金属伪影(无金属伪影)的全身CT扫描中选取的80例患者被纳入模拟数据集,用于网络训练。
用于临床评估的PET/CT数据集由30例患者组成(平均年龄 ± SD = 60 ± 8岁,平均体重 ± SD = 70 ± 8 kg),这些患者有大面积牙科填充物(24例)、髋关节(3例)和肩关节假体(3例)。为进行临床评估,从全身PET/CT扫描中选取了30例有大面积牙科填充物、髋关节和肩关节假体的患者。全身PET/CT扫描在同一台Biograph mCT扫描仪上进行(使用相同的CT采集方案),在注射250±45 MBq的18F-FDG后约1 h进行,平均采集时间为25±5 min。研究方案经日内瓦州研究伦理委员会批准。
金属伪影模拟
基于深度学习的MAR方法的训练涉及使用80幅无金属CT图像,其中人为插入金属以创建具有已知ground truth的受金属伪影影响的数据集。这些数据包含无金属、插入金属(ground truth图像)和受金属影响的CT图像。无金属图像是原始CT图像,而插入金属的图像是通过在无金属图像中插入金属植入物生成的。这些金属植入物包括牙科填充物、脊柱固定螺钉以及髋关节和肩关节假体,其线性衰减系数分别为铁、铜、金和钛。[19]中提出的算法被用于模拟CT图像中的金属伪影(受金属影响的图像),其中插入金属的图像使用基于加权阈值的方法[25]分割为软组织、骨和金属,然后赋予相应的衰减系数。随后,通过前向投影和滤波反投影方法的组合重建受金属影响的CT图像。所采用的金属伪影模拟方法简要描述如下[19]。有关模拟过程的更多细节见补充材料。
模拟数据集由80幅临床CT图像组成(45例男性,35例女性,年龄51 ± 12岁),无金属植入物。在该数据集上,使用4种不同材料(即铁、金、钛和铜)在身体不同区域模拟了8种不同的金属形状。对于每种情况(形状和材料),进行了25次金属伪影模拟,产生25(实现)× 8(形状)× 4(材料)幅受金属伪影影响的图像/样本。在800个模拟病例中,660个用于训练,140个用于评估不同方法,从不同金属形状、材料和解剖区域中等量采样。金属插入物、骨骼和软组织的质量衰减系数从XCOM光子截面库[26]获得。无金属和含金属插入物的图像分别经过多色Radon变换(遵循[19]中描述的算法)并使用滤波反投影(FBP)算法重建,以生成参考标准图像(用于评估MAR技术)和受金属影响的图像。模拟了管电压为120 kVp的X射线源和等角扇形束几何。对每幅CT切片计算了超过920个探测器通道的1000个角度投影。
金属伪影减少策略
归一化金属伪影校正
归一化MAR(NMAR)方法依赖于从受金属影响或LI校正图像的基于阈值的图像分类中获得的先验知识。在第一步中,从输入图像中分割金属植入物,随后进行前向投影并识别投影空间中的金属轨迹。在将插值应用于金属植入物轨迹之前,使用先验知识对投影空间中的受金属影响数据进行归一化[12]。
NMAR方法应用于真实(临床)和模拟金属伪影图像,为评估基于深度学习的MAR方法提供了基线。此外,NMAR方法的结果被用作先验知识或辅助图像输入深度学习模型。
图像域中基于深度学习的MAR
基于深度学习的MAR可以在投影域或图像域(或它们的任意组合)中实现。图像域中的MAR被视为从受金属影响的CT图像到伪影校正(或无伪影)CT图像的端到端图像变换或回归。为了在图像域中实现MAR,探索了三种不同的策略:(i)深度学习模型的输入图像仅限于受金属影响的图像,以估计伪影校正的CT图像,(ii)输入图像是使用NMAR技术进行金属伪影校正的CT图像(CT-NMAR),(iii)深度学习模型的输入由受金属影响和CT-NMAR图像组成,分别输入两个不同通道(图1a)。视觉检查和初步定量分析显示第三种场景性能优越。因此,在本工作的其余部分,我们仅关注该方法。
采用200幅无金属、模拟金属植入和受金属影响的体层CT图像,在图像域训练深度学习模型。为此,采用了一种具有残差连接的扩张卷积神经网络(HighResNet)[27],并在开源NiftyNet深度学习平台[28]中进行配置。总体而言,使用10,000幅二维模拟受金属影响和金属植入的CT图像进行训练,而使用2000幅二维CT图像进行模型评估。该模型由两个400×400体素的输入通道(以受金属影响图像和CT-NMAR图像作为输入)和一个400×400体素的输出通道组成。HighResNet网络由20个残差卷积层组成,由3×3×3卷积核调控,在不同层分别以因子二和四进行扩张(图1a)。为训练该模型,采用L2损失函数,使用Adam优化,学习率从0.06至0.01,遵循[29]中推荐的程序。
投影域基于深度学习的MAR
为在投影域实施基于深度学习的MAR,采用了在图像域中探索的相同三种策略,不同之处在于图像到图像回归是在应用Radon变换后的二维CT投影数据上进行的。与图像域相反,三种策略均未表现出优越性能。然而,选择了第一种策略,即深度学习模型的输入为受金属影响的投影以生成无伪影投影(图2b),因其具有更高的鲁棒性和计算效率。使用上一节描述的相同深度学习模型和训练程序在投影域实施MAR。所得无伪影投影使用FBP算法重建,在920个探测器通道上使用1000个角度投影。
PET/CT成像中的MAR
为评估MAR在全身PET/CT成像中的影响,收集了一个由30例CT图像中呈现严重金属伪影的患者组成的临床数据库。金属植入物为牙科填充物(24)、髋部(3)和肩关节假体(3)。原始PET数据使用原始CT图像(MAR前)、经NMAR算法校正的CT图像和经深度学习方法校正的CT图像进行衰减校正。对使用MAR前后CT图像进行衰减校正的PET图像的质量和定量分析进行评估,以审视MAR在PET成像中的潜在影响。
PET原始数据采用三维普通泊松有序子集期望最大化(OP-OSEM)算法重建,迭代2次、21个子集,矩阵为400×400,体素大小为2×2×3 mm。使用离线e7工具(Siemens Healthcare)进行PET图像重建时,考虑了基于CT的散射校正、飞行时间(TOF)信息和点扩散函数(PSF)建模。
评估策略
在应用金属伪影减少(MAR)技术前后,对经CT图像衰减校正的CT和PET图像进行MAR技术评估。对于CT图像的定量评估,分别使用公式(1)–(3)计算MAR前后的峰值信噪比(PSNR)、均方根误差(RMSE)和结构相似性(SSIM)指数。
在公式(1)中,Pk表示CTref或CTMAR的最大强度,而MSE表示参考CT图像(含金属植入物)与MAR后CT图像之间的均方误差。在公式(3)中,Averef和AveMAR分别为CTref和CTMAR图像的平均值。δref和δMAR代表方差,δref,MAR表示CTref和CTMAR图像的协方差。常数参数(k1 = 0.01和k2 = 0.02)用于避免除以非常小的值。将由模拟生成的无伪影含金属植入物CT图像作为参考。
对30例具有明显金属伪影的临床全身PET/CT图像,在应用MAR前后对CT图像进行检查。评估重点在于衰减图中存在的金属伪影在PET图像上诱导的伪影,以及MAR前后金属植入物附近的PET定量偏差。此外,使用全身18F-FDG PET/CT研究评估了MAR对散射校正及 consequently对PET定量的影响。为此,在应用不同技术进行MAR前后,在受影响区域绘制的感兴趣体积(VOI)内计算标准化摄取值(SUV)。VOI的定义方式使其覆盖足够大的体积,涵盖整个金属物体、周围受影响/扰动组织以及金属伪影的残余。对于髋关节和肩关节假体,绘制较大的VOI,最大尺寸为950 cm3;而对于牙科填充物,绘制较小的VOI,最小尺寸为55 cm3。
不同MAR技术(定量指标)之间差异的显著性采用配对t检验方法评估。P值小于0.05视为具有统计学显著性。
结果
在“结果”部分的第一部分,我们报告了仅使用模拟金属伪影数据集对CT图像进行MAR技术评估的结果。随后,评估了(CT图像中)金属伪影及不同MAR技术对相应衰减校正PET图像的影响。
图2(完整图像集见补充图1)展示了模拟数据集中金属伪影的四个示例以及不同MAR技术的结果。插入金属的图像(插入金属植入物且无伪影的CT图像)被视为参考标准。基于深度学习的图像域MAR(DLI-MAR)和投影域MAR(DLP-MAR)与NMAR技术一同进行了评估,后者提供了比较的基准。视觉检查显示,DLI-MAR的性能优于NMAR和DLP-MAR技术。
表1总结了不同MAR技术在模拟数据集上的性能指标。与视觉检查(图2)一致,MAR技术的定量评估表明DLI-MAR技术具有优越的性能。表1中的p值是在DLI-MAR和DLP-MAR(同表中所报告)技术获得的结果之间计算的,以检验这两种技术之间差异的统计学显著性。
验证数据集由140个样本组成,这些样本是由不同金属形状、材料和解剖区域生成的模拟金属伪影。对与特定金属形状、材料或解剖区域相关的结果进行的单独分析显示,它们之间没有显著差异和变化。因此,我们得出结论,所评估技术的性能与任何特定解剖区域、金属形状或材料不相关/无关联。表1中报告了每种技术在整个验证病例上的平均值。在临床研究中也有类似的观察结果,其中不同技术在身体不同区域的表现相似。
尽管对CT图像上MAR技术的评估表明DLI-MAR优于DLP-MAR,但当所得CT图像用于PET衰减校正时,没有证据表明存在统计学显著差异。因此,在评估MAR技术对PET图像的影响时,仅呈现了从NMAR和DLI-MAR方法获得的结果。
图3和图4展示了肩关节和髋关节假体在CT图像中引起的金属伪影,这些伪影在相应的PET图像中产生了图像伪影。在金属植入物部位周围,图像伪影清晰可见。MAR技术,特别是DLI-MAR,明显消除了CT图像中的条纹和暗带,从而减少了植入物部位周围的伪影。在PET图像上绘制的水平剖面清晰地展示了MAR前PET信号改变的程度以及MAR技术恢复的程度。
图5和图6描绘了两个示例,说明由于CT图像中存在金属伪影,PET图像重建过程中散射估计受损。在图5中,金属伪影由于头部边界的弱信号导致头部轮廓被低估,这在使用基于模型的散射校正[30]时导致散射分数被高估。该床位的PET-CTAC散射分数为58%,而使用PET-NMAR和PET-DLI-MAR时观察到的散射分数分别为33%和24%。在PET图像上绘制的水平剖面显示了应用不同MAR技术前后PET图像之间的差异。
补充图2展示了一个示例,其中CT图像中的金属伪影导致PET/CT图像重建过程中散射分数的显著低估。PET-CTAC中的散射分数为11%,而在PET-NMAR和PET-DLI-MAR图像中分别观察到19%和25%的散射分数。
图6展示了一个示例,其中金属伪影部位附近的病灶在PET-CTAC图像中被显著高估。在CT图像或衰减图上应用MAR技术显著降低了病灶看似人为的高SUV。
表2总结了MAR技术对PET图像的定量影响。在临床和模拟数据集上,于金属伪影部位绘制了30个VOI。对于模拟数据集,以含金属植入物的图像(有金属植入物但无伪影的CT图像)作为参考标准衰减图,在VOI内测量平均SUV偏差(所有患者MAR后SUV高估/低估百分比的均值)。对于临床数据集,由于缺乏真实衰减图,偏差(或示踪剂摄取变化)是相对于应用MAR技术前的PET-CTAC计算的。总体而言,模拟研究表明,CT图像中的金属伪影导致金属植入物邻近区域SUV的显著高估,而MAR技术,特别是DLI-MAR,能够降低金属伪影对PET图像的不利影响。临床研究中观察到的大幅负偏差证实了模拟数据集中的观察结果。
讨论
基于深度学习的CT图像金属伪影校正(MAR)的不同策略已在图像域或投影域进行了探索[18–22]。MAR后CT图像的评估表明,当以经归一化MAR方法校正的CT图像形式提供的额外信息(先验知识)也被输入网络时,图像域中基于深度学习的MAR(DLI-MAR)表现出更优越的性能(图1a)。其他研究[19]也报道了类似的观察结果,其中配置在图像域的深度学习模型在以其他MAR方法的输出作为先验知识(额外输入通道)时表现更好。尽管投影域中基于深度学习的MAR(DLP-MAR)优于NMAR方法,但仍落后于DLI-MAR方法。通过分配额外输入通道以经NMAR方法校正的CT投影形式纳入先验知识来升级DLP-MAR方法(图1b),并未改善DLP-MAR方法的整体性能。由于图像域中存在的解剖信息对深度学习模型而言更易辨别和提取,DLI-MAR对无伪影CT图像的估计更为准确。
本研究的主要关注点是MAR技术对PET中基于CT的衰减校正的影响,以研究定量偏差和潜在的图像伪影。然而,MAR技术的评估仅使用SSIM和PSNR指标在CT图像上进行,这两个指标分别反映了校正后CT图像的感知质量和人类感知的近似。这些参数揭示了预测CT图像相对于原始图像(金标准)的质量或相似度,代表了CT图像用于视觉检查的质量。此外,RMSE反映了预测CT值的准确性,这与CT图像的定量分析和PET中基于CT的衰减校正相关。
尽管在CT图像上进行评估时,DLI-MAR的表现优于DLP-MAR,但当这些方法的输出用于PET衰减校正时,在PET图像的定量分析中未观察到显著差异。对这一观察结果的一种可能解释是:(i) 对于PET衰减校正(AC),CT图像通常被降采样至PET图像的分辨率(例如从0.97 mm的CT分辨率降至4 mm的PET分辨率),并使用高斯滤波器进行平滑处理。因此,许多细微差别和小缺陷会在生成的衰减校正图中消失。(ii) PET图像重建对衰减校正的敏感性尚未达到能使衰减校正图中的任何缺陷完全反映在PET图像上的水平[31–33]。
文献中对基于深度学习的金属伪影校正(MAR)方法的评估主要集中在对CT图像质量影响的评价上[34]。基于CT的衰减图中的金属伪影会在远离金属植入物部位的区域产生关于衰减介质的扭曲信息。金属引起的条状伪影通常会导致衰减因子被高估,从而在PET图像中导致定量不准确和/或图像伪影。PET衰减校正图中的金属伪影会导致PET图像中出现图像伪影和/或示踪剂摄取被高估(图3、图4和图6)。在评估不同MAR技术对PET定量影响的对比研究中,已有报道SUV变化高达11%[35, 36]。然而,在极少数情况下,金属伪影导致体轮廓被高估或扩张,从而误导了散射校正算法,导致散射分数被低估。在Biograph mCT PET/CT扫描仪上实施的单次散射模拟算法仅考虑单次康普顿散射,并依赖尾部拟合方法来估计总散射分数[30, 37]。由于这种尾部拟合,体轮廓的高估会导致散射分数被低估(图5),反之亦然(补充图2)。应当指出,这些信号差异不仅源于散射校正(或散射分数),因为应用MAR技术后CT图像或衰减图也有所不同。PET成像中的散射校正对衰减图中体素强度的变化不太敏感[38, 39]。然而,通过尾部拟合方法估计散射分数对衰减图的边界高度敏感,以区分真实摄取信号与散射事件。
尽管近期研究已证明深度学习方法具有优越性能[20],但混合方法能够提供更可靠的MAR解决方案,兼具最大信号恢复和引入新伪影可能性低的优点。将基于解析模型的技术作为先验知识纳入/依赖的深度学习方法,能够为MAR提供最优解决方案,有效恢复底层结构和组织密度。基于深度学习的MAR作为决策支持工具,能够防止PET/CT成像中的严重错误和/或误诊。
由于临床研究缺乏金标准,对MAR方法进行准确的定量分析非常具有挑战性,甚至几乎不可能[40]。尽管如此,仿真研究表明,CT图像中的金属伪影会导致PET图像中局部示踪剂摄取的总体高估(表2)。临床研究的结果证实了在仿真数据集上观察到的现象,即在MAR之前的PET-CTAC图像相比PET-NMAR或PET-DLI-MAR图像表现出更高的局部放射性浓度。
基于深度学习的解决方案总体上以及本文提出的MAR算法的一个主要局限性在于性能对训练数据集的依赖性。金属伪影可发生于各种解剖部位。因此,开发一个全面的基于深度学习的MAR模型需要创建一个大型训练数据集,包括金属形状、材料和解剖变异的潜在多样性。本研究倾向于关注通常由牙种植体、髋关节、肩关节和脊柱固定装置引起的主要/最常见金属伪影病例。然而,一个全面/通用的模型应涵盖所有金属伪影表现形式。此外,所提出的MAR模型是针对特定CT扫描仪和采集协议进行训练和优化的,当使用具有不同噪声水平或图像特征的CT图像时,其性能可能欠佳。迁移学习可能是解决这一问题的有效方案,其中可利用来自不同CT扫描仪或采集协议的训练数据集对所开发的模型进行微调。最后但同样重要的是,所提出的基于深度学习的MAR技术需要用户进行少量干预来定义/窗定金属伪影部位,以将提取的图像子体积输入基于深度学习的MAR模型。与全自动MAR算法相比,这可被视为该模型的一个实际局限性。
可以得出结论,我们评估了基于深度学习的金属伪影校正技术在PET/CT成像中的潜力。图像域中基于深度学习的MAR(DLI-MAR)优于在投影(DLP-MAR)域中实现的对应方法。金属植入物会引起图像伪影、定量偏差以及PET成像中散射校正的低估或高估。DLI-MAR方法能够通过从受损CT图像中生成准确的衰减图,最大限度地减少金属伪影对全身PET图像的不利影响。
补充信息
ESM 1(DOCX 4209 kb)
引用
- Arabi H, Zaidi H. Deep learning-based metal artefact reduction in PET/CT imaging. Eur Radiol. 2021. PMID: 33569626. doi:10.1007/s00330-021-07709-z
- 全文:PMC8270868(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8270868/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。