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^*

来源：中华核医学与分子影像杂志, 2021, 41(10): 602-606.

• 深度学习
• 图像处理, 计算机辅助
• 正电子发射断层显像术
• 脱氧葡萄糖

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(SUVmax)、平均标准摄取值(SUVmean)、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。

• 单位
  山西医科大学第一医院