⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-04-12 更新
Synthetic CT Generation from Time-of-Flight Non-Attenutaion-Corrected PET for Whole-Body PET Attenuation Correction
Authors:Weijie Chen, James Wang, Alan McMillan
Positron Emission Tomography (PET) imaging requires accurate attenuation correction (AC) to account for photon loss due to tissue density variations. In PET/MR systems, computed tomography (CT), which offers a straightforward estimation of AC is not available. This study presents a deep learning approach to generate synthetic CT (sCT) images directly from Time-of-Flight (TOF) non-attenuation corrected (NAC) PET images, enhancing AC for PET/MR. We first evaluated models pre-trained on large-scale natural image datasets for a CT-to-CT reconstruction task, finding that the pre-trained model outperformed those trained solely on medical datasets. The pre-trained model was then fine-tuned using an institutional dataset of 35 TOF NAC PET and CT volume pairs, achieving the lowest mean absolute error (MAE) of 74.49 HU and highest peak signal-to-noise ratio (PSNR) of 28.66 dB within the body contour region. Visual assessments demonstrated improved reconstruction of both bone and soft tissue structures from TOF NAC PET images. This work highlights the effectiveness of using pre-trained deep learning models for medical image translation tasks. Future work will assess the impact of sCT on PET attenuation correction and explore additional neural network architectures and datasets to further enhance performance and practical applications in PET imaging.
正电子发射断层扫描（PET）成像需要准确的衰减校正（AC）来弥补因组织密度变化而损失的光子。在PET/MR系统中，提供AC直接估算的计算机断层扫描（CT）并不可用。本研究提出了一种基于深度学习的方法，直接从飞行时间（TOF）非衰减校正（NAC）PET图像生成合成CT（sCT）图像，以提高PET/MR的AC性能。我们首先评估了在大型自然图像数据集上预训练的模型进行CT-to-CT重建任务的效果，发现预训练模型优于仅使用医疗数据集进行训练的模型。然后，我们对预训练模型使用机构提供的包含30对TOF NAC PET和CT体积的数据集进行了微调，实现了体轮廓区域内最低的平均绝对误差（MAE）为74.49 HU和最高的峰值信噪比（PSNR）为28.66 dB。视觉评估表明，从TOF NAC PET图像重建的骨骼和软组织结构都有所改善。这项工作强调了使用预训练深度学习模型进行医学图像翻译任务的有效性。未来的工作将评估sCT对PET衰减校正的影响，并探索其他神经网络架构和数据集，以进一步提高性能及其在PET成像中的实际应用。
论文及项目相关链接
PDF 4 pages, 2 figures, ISBI 2025
Summary：
本研究采用深度学习技术，直接从飞行时间非衰减校正PET图像生成合成CT图像，以提高PET/MR的衰减校正效果。研究结果显示，预训练模型在大型自然图像数据集上的表现优于仅在医疗数据集上训练的模型。经过微调，该模型在机构提供的35对TOF NAC PET和CT体积数据上取得了最低平均绝对误差和最高峰值信噪比。视觉评估表明，该模型能够很好地重建骨骼和软组织结构。此研究突显了预训练深度学习模型在医学图像翻译任务中的有效性。
Key Takeaways：
- 本研究使用深度学习技术直接从非衰减校正PET图像生成合成CT图像，以提高PET/MR的衰减校正效果。
- 预训练模型在大型自然图像数据集上的表现优于仅在医疗数据集上训练的模型。
- 经过微调的预训练模型在机构数据上取得了良好的性能，包括低平均绝对误差和高峰值信噪比。
- 模型能够很好地重建骨骼和软组织结构，这是通过视觉评估验证的。
- 此研究强调了预训练深度学习模型在医学图像翻译任务中的有效性。
- 未来研究将评估合成CT对PET衰减校正的影响。
点此查看论文截图
