Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning
本文提出了一种多模态 3D 基于块的 U-Net，该网络通过集成独立的 PET 和 MRI 编码器以及基于 FiLM 的拓扑图调节，以有效地融合跨模态信息并最大限度地减少对精确体素级对齐的依赖，从而生成用于 PET 衰减校正的伪 CT 图像。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医学影像领域，医生经常依赖两种强大的工具来观察人体内部：一种是正电子发射断层扫描（PET），它通过追踪放射性示踪剂来揭示器官的功能情况；另一种是计算机断层扫描（CT），它利用 X 射线创建骨骼和组织密度的详细图谱。为了使 PET 扫描发挥作用，计算机需要准确了解人体组织在辐射穿过时会阻挡或吸收多少辐射；这个过程被称为衰减校正。传统上，医生使用 CT 扫描来提供这种密度图。然而，CT 扫描会给患者增加显著剂量的电离辐射，这令人担忧，尤其是对于那些需要频繁监测的人群。因此，挑战在于如何仅利用 PET 扫描中已有的信息以及磁共振成像（MRI），创造出一个数字版本的密度图——即“伪 CT”——而不让患者接受额外的 X 射线照射。
来自曼彻斯特大学的一个研究小组解决了这个问题，他们参加了一项旨在测试这种能力的竞赛。他们构建了一个复杂的计算机系统，能够同时观察三种不同类型的医学图像：原始 PET 扫描、MRI 以及一种被称为“地形图”（topogram）的 2D 投影图像，后者本质上是一种快速、低剂量的 X 射线快照，用于展示身体的整体轮廓。他们的目标是教会机器如何结合这些不同的信息源，以生成高质量的 3D 组织密度图，从而取代完整的 CT 扫描。研究人员发现，通过对每种图像类型进行差异化处理，并随后仔细合并它们的见解，他们可以创建一个能够产生准确密度图的模型，进而实现更清晰、更精确的 PET 图像，而无需单独进行 CT 扫描。
他们方法的核心是一种旨在尊重每种图像独特性质的数字架构。不同于以往可能简单地将不同图像像堆叠单层蛋糕一样叠在一起的方法，该团队意识到 PET 扫描、MRI 和 2D 地形图并不总是能在空间上完美对齐。相反，他们为 3D PET 和 MRI 数据构建了独立的路径，允许计算机独立学习每种模态的具体特征。随着这些独立的信息流向系统深处移动，它们会在多个细节水平上汇聚在一起。在每个阶段，系统都会使用一种机制来权衡合并信息的权重，确保保留 PET 和 MRI 中最有用的细节，同时过滤掉较不相关的噪声。
2D 地形图的处理方式非常独特，因为它代表的是整个身体的扁平投影，而非 3D 体积。由于它无法与 PET 或 MRI 的 3D 切片进行点对点的匹配，研究人员将其用作患者整体形状和解剖结构的引导。他们将这种 2D 图像输入到一个预训练系统中，以提取身体形态的摘要。这个摘要随后被用于轻轻地推动和调整主要的 3D 处理路径，有效地告诉系统：“记住，这个患者具有这样的特定体型”，而并非强迫 2D 图像去适配 3D 网格。这种方法使系统能够利用地形图的全局视图来优化生成的图谱局部细节，这一技术被证明比试图在不同类型的图像之间强制进行刚性空间对齐更为有效。
当研究人员在内部验证集的四个受试者上测试其最终系统时，结果令人鼓舞。计算机生成的图谱与真实的 CT 扫描非常接近，密度值的平均差异极小。更重要的是，当使用这些生成的图谱来校正 PET 扫描时，生成的图像表现出了高度的准确性。标准化摄取值（衡量人体吸收示踪剂多少的关键指标）的平均误差极低，且特定器官的偏差也极小。该系统在脑部（一个检测异常的关键区域）的表现也很好，极少出现异常值。这些发现表明，该方法成功整合了不同成像模态的互补优势，从而创造出一个可靠的 CT 扫描替代品。
团队还探索了添加额外的训练数据变化（例如通过平移或旋转图像来模拟现实世界的缺陷）是否会改善结果。他们发现，这些常见的技术并没有起到帮助作用；事实上，在未经修改的原始数据上训练的模型表现得更好。这表明，他们设计的特定架构（拥有独立的编码路径以及处理 2D 地形图的独特方式）足够强大，无需通过人工技巧来强迫其学习，即可处理数据的自然变化。研究结论指出，这种多模态方法为实现高质量的 PET 衰减校正提供了一条可行路径，既避免了 CT 扫描带来的额外辐射剂量，又依赖于对现有影像数据的巧妙合成。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。