.png){kind=icon}
返回
PET Head Motion Estimation Using Supervised Deep Learning With Attention
.png){kind=icon}
PRE
AI
DOI：10.1109/TMI.2025.3620714.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
头部运动对脑正电子发射断层扫描（PET）成像构成显著挑战，导致图像伪影和示踪剂摄取量化不准确。有效的头部运动估计和校正对于精确的定量图像分析和神经疾病的准确诊断至关重要。基于硬件的运动追踪（HMT）在真实临床实践中的应用有限。为克服此限制，我们提出一种具有交叉注意力机制的深度学习头部运动校正方法（DL-HMC++），用于从一秒三维PET原始数据中预测刚性头部运动。DL-HMC++通过利用带有外部HMT金标准运动测量的现有动态PET扫描数据进行监督训练。我们在两种PET扫描仪（HRRT和mCT）和四种放射性示踪剂（18F-FDG、18F-FPEB、11C-UCB-J和11C-LSN3172176）上评估DL-HMC++，以展示该方法在大规模队列PET研究中的有效性和泛化能力。定量和定性结果表明，DL-HMC++持续优于当前最先进的数据驱动运动估计方法，生成无运动伪影的图像，脑结构清晰可辨，且运动伪影减少，与金标准HMT结果难以区分。脑感兴趣区标准摄取值分析显示，DL-HMC++与金标准HMT的平均差异比率为HRRT为1.2±0.5%，mCT为0.5±0.2%。DL-HMC++展示了数据驱动PET头部运动校正的潜力，可消除HMT的负担，使运动校正技术可应用于临床人群，而不仅限于研究环境。代码可在https://github.com/maxxxxxxcai/DL-HMC-TMI获取。
Keyword:
Deep learning
supervised learning
PET
head motion correction
image registration
cross-attention
期刊
IF:
9.8
论文数:
6.3K
被引数:
3.7W
机构
引用论文
An objective evaluation method for head motion estimation in PET—Motion corrected centroid-of-distributionPET头部运动估计的客观评价方法——运动校正分布质心.png)
NeuroImage
NeuroImageIF0
PREAI
分享收藏Dual-Branch Squeeze-Fusion-Excitation Module for Cross-Modality Registration of Cardiac SPECT and CT
PREAI
分享收藏Real-Time Deep Pose Estimation With Geodesic Loss for Image-to-Template Rigid Registration具有测地损失的实时深度姿态估计，用于图像到模板的刚性配准
OAAI
OAAI分享收藏Evaluation of motion correction methods in human brain PET imaging-A simulation study based on human motion dataMEDICAL PHYSICSOAAI
MEDICAL PHYSICSIF3.2
OAAI分享收藏
查看更多内容