研究目的
研究PET图像中热点和冷点区域MR与PET图像之间的空间不一致性对机器学习核方法(特别是混合核化期望最大化算法HKEM)的影响。
研究成果
研究结果表明,在核函数中加入PET信息能增强空间不一致情况下重建的灵活性。精确配准并选择合适的MR图像对避免伪影和偏差至关重要?;旌虾朔椒ㄔ诖鞵ET-MR不一致性方面比非混合方法表现更优。
研究不足
该研究强调了为避免伪影、模糊和偏差,在创建核函数时需确保MR图像配准准确并选择合适的MR图像的重要性。同时指出,当MR与PET图像存在空间不一致时,解剖学驱动的核方法存在局限性。
1:实验设计与方法选择
本研究采用核方法,特别是混合核化期望最大化算法(HKEM),探究PET-MR空间不一致性对PET图像重建的影响。
2:样本选择与数据来源
使用Jaszczak模体及西门子Biograph mMR扫描仪获取的患者数据。模体实验包含填充18F-氟脱氧葡萄糖(FDG)的不同直径冷区球体;患者数据为注射[18F]FDG后头颈部区域的动态采集数据。
3:实验设备与材料清单
西门子Biograph mMR扫描仪、Jaszczak模体、18F-氟脱氧葡萄糖(FDG)、患者研究用[18F]FDG。
4:实验流程与操作步骤
采用HKEM和KEM算法(21个子集/3次迭代)进行数据重建。通过沿x轴方向平移MR图像1、2、3、5和10个体素,研究PET与MR图像配准误差的影响。
5:数据分析方法
基于感兴趣区域(ROI)的平均活度浓度进行算法间定量比较,采用变异系数(CoV)评估噪声水平与重复性。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容