امکان سنجی تصحیح تضعیف مبتنی بر یادگیری عمیق در تصویربرداری PET کل بدن با Ga-Dotatate 68

Abstract

فرایند تصحیح تضعیف در تصویربرداری نشرتک فوتونی(PET) ازاهمیت بسیاربالایی برخورداراست روش توموگرافی کامپیوتری (CT) که برای تصحیح تضعیف و موقعیت یابی آناتومیکی استفاده می شود، دوز تابشی بیمار را افزایش می دهد. این مطالعه با هدف توسعه یک مدل یادگیری عمیق برای تصحیح تضعیف تصاویر PET Ga-DOTATATE 68کل بدن انجام شده است. مواد و روش ها: تصاوير تصحیح تضعیف نشده(NAC) و تصحيح‌شده بر پايه CT(CTAC) 118 بيمار از دو مركز تصويربرداري مختلف جمع آوری شد،سپس یک مدل یادگیری عمیق Residual با استفاده از چارچوب NiftyNet پیاده سازی شد. مدل چهار بار آموزش داده شد و شش بار با استفاده از داده‌های آزمون از دو مرکز مورد ارزیابی قرار گرفت.کیفیت تصاویر PET تصحیح تضعیف شده توسط شبکه با تصاویر PET-CTAC با استفاده از معیارهای ارزیابی مختلف، از جمله نسبت پیک سیگنال به نویز (PSNR)، شاخص شباهت ساختاری (SSIM)، میانگین مربعات خطا MSE) ) و ریشه میانگین مربعات خطا RMSE)) مورد مقایسه قرار گرفت. یافته ها: تجزیه و تحلیل کمی چهار مرتبه آموزش شبکه و شش ارزیابی بالاترین و کمترین مقادیر PSNR را به ترتیب (6/6 ± 86/52 ) و ( 09/5 ± 96/47) نشان داد. به طور مشابه، بالاترین و کمترین مقادیر SSIM به ترتیب (003/0 ± 99/0 ) و ( 01/0 ± 97 /0 ) به دست آمد. علاوه بر این، بالاترین و کمترین مقادیر RMSE و MSE به ترتیب در محدوده ( 003/0 ± 0117/0 )، ( 000103/0 ± 0015/0 )، و ( 002 /0 01072±/ 0 )، ( 10-5 × 07/5 ± 000121/0 ) قرارداشتند. نتایج نشان داد که بالاترین PSNR مربوط به مجموعه داده‌های آموزش و آزمایشی است که از یک مرکز مشابه هستند،برعکس، ارزیابی‌هایی که در آن داده های آموزش و آزمایش شبکه از مراکز مختلفی بودند، کمترین مقادیر PSNR و SSIM و بالاترین مقادیر MSE و RMSE را نشان دادند. علاوه بر این، ارزیابی‌هایی با بالاترین SSIM و کمترین MSE و RMSE مربوط به ارزیابی هایی بود که در آن از مجموعه داده‌های هر دو مرکز برای آموزش و آزمایش شبکه استفاده شده بود.