深度学习重建方法改善快速采集PET图像质量的临床研究

• 作 者: 胡琳君 胡奕奕 郭彬威 梁梦 郝新忠 秦志星 李思进 武志芳
• 机 构: 山西医科大学第一医院核医学科、分子影像精准诊疗省部共建协同创新中心，太原 030001,山西医科大学第一医院核医学科、分子影像精准诊疗省部共建协同创新中心，太原 030001,山西医科大学第一医院核医
• 出 处: 中华核医学与分子影像杂志
• 发表日期: 2021年41期
• 关键词: Deep learning Image processing computer-assisted Positron-emission tomography D

目的

通过深度学习(DL)PET图像重建方法，提升不同采集时间¹⁸F-脱氧葡萄糖(FDG)PET图像质量。

方法

回顾性分析2020年9月至10月间山西医科大学第一医院核医学科45例恶性肿瘤患者[男20例、女25例，年龄(52.0±13.6)岁]PET图像。选择原始列表模式PET数据的短时30 s/床位PET图像作为输入，采用Unet网络，以全剂量标准采集时间(3 min)PET图像为模型判别标准，建立DL图像重建模型，以预测全剂量PET图像。分别对DL、30 s、90 s和120 s 4组图像进行图像质量评估及定量分析。采用5分法主观评估4组的图像质量。分别测量各组图像肝本底及肿瘤病灶定量参数：最大标准摄取值(SUV_max)、平均标准摄取值(SUV_mean)、标准差(SD)、信噪比(SNR)、对比度噪声比(CNR)及一阶纹理特征(偏度、峰度、均匀度和熵)。采用Kappa检验、χ²检验、单因素方差分析(最小显著差异t检验)进行数据分析。

结果

4组图像质量评分具有高度一致性(Kappa＝0.799，P<0.001)，DL组评分≥3分共6例，30 s、90 s和120 s组评分≥3分别有4、7和8例(χ²＝125.47，P<0.001)。DL组肝SD明显低于30 s组(0.26±0.07与0.43±0.11；F＝3.58，t＝-7.91，P<0.05)，SNR高于30 s组(11.04±4.36与5.41±1.41；F＝10.22，t＝5.40，P<0.05)；DL组肝SD及SNR与90 s组一致(0.39±0.16, 8.46±3.34；t值：-0.87和2.17，均P>0.05)。在18个高摄取肿瘤病灶中，DL组病灶SNR及CNR均高于30 s组(60.21±29.26与38.38±16.54，22.26±15.85与15.41±9.51；F值：13.09和7.05，t值：5.20和4.04，均P<0.001)。4组肝一阶纹理特征差异有统计学意义(F值：4.30~9.65，均P<0.05)，但DL组与120 s组间差异无统计学意义(t值：-1.25~0.15，均P>0.05)。

结论

DL重建模型能较好地改善短帧PET图像质量，可以满足临床诊断、疗效评估和组学研究的需求。