数据采集与图像重建
获取四种示踪剂的PET/CT扫描数据，并重建NAC-PET和rPET图像。
使用Biograph Vision Quadra PET/CT系统扫描63例，包括四种示踪剂和不同体部区域。静态PET图像重建使用3D OSEM（5子集，4迭代），矩阵大小220×220×645。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于深度学习的配准框架在低辐射暴露协议下跨多种示踪剂用于长轴向视野PET/CT的验证
Validation of a Deep-Learning Coregistration Framework for Long-Axial-Field-of-View PET/CT Using Low-Radiation-Exposure Protocols Across Various Tracers
实验完整度
高包含多示踪剂、多体部区域的PET/CT配准效果验证，低计数模拟实验，ULD-CT对比，以及定量SUV一致性评估，证据层级丰富。
主要模型
63例PET/CT扫描（涵盖4种示踪剂） 15O-H2O躯干和腿部扫描 18F-MC225躯干扫描 89Zr-trastuzumab躯干扫描 18F-FDG躯干扫描
重点核对
示踪剂类型：89Zr-trastuzumab、15O-H2O、18F-MC225、18F-FDG PET计数水平：100%、50%、25%、12.5% CT协议：低剂量CT（LD-CT）与超低剂量CT（ULD-CT） 评估指标：DSC、JSC、HD、AVD 定量指标：SUVmean
摘要
长轴向视野（LAFOV）PET/CT系统的出现通过提供更高的灵敏度和延长的躯干覆盖范围显著改善了全身成像。然而，PET/CT潜在的错位仍然是一个挑战，可能引入伪影和定量误差。此外，减少扫描时间和剂量的PET协议以及超低剂量CT（ULD-CT）在临床实践和研究中日益相关。本研究旨在评估一种深度学习配准框架在LAFOV系统上使用低剂量PET和ULD-CT跨多种示踪剂进行PET/CT对齐的稳健性和泛化性。方法：共纳入使用4种不同示踪剂（89Zr-trastuzumab、15O-H2O、18F-MC225和18F-FDG）的63次扫描，以评估PET和CT对齐的改善。进一步评估通过比较与原始PET图像配准的CT（rCT）和与低计数（原始计数的50%、25%和12.5%）PET图像配准的CT（LC-rCT）进行。使用Dice相似系数、Jaccard相似系数、Hausdorff距离和平均表面距离作为评估指标。此外，将配准到PET的ULD-CT（rULD-CT）与配准到相同PET的低剂量CT（rLD-CT）使用相同指标进行比较。通过计算SUV评估PET准确性。结果：深度学习配准框架在减少PET计数和ULD-CT场景下跨示踪剂展示了稳健性。所有指标在比较LC-rCT与rCT以及rULD-CT与rLD-CT时均表明性能稳健。不同PET计数和ULD-CT条件下一致的SUV进一步验证了该方法的定量准确性。结论：这项工作强调，使用低剂量PET协议或ULD-CT均不影响该配准框架在4种示踪剂下的性能。对于LAFOV PET，这些发现支持该框架在减少辐射暴露的成像协议中的可行性。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 深度学习PET/CT配准框架在LAFOV PET/CT中，能否在多种示踪剂、低PET计数和ULD-CT条件下减少运动引起的错位并保持定量准确性？
- 核心机制
- 通过使用NAC-PET作为参考，深度学习网络估计位移场并重新采样CT，实现PET与CT的对齐，从而减少呼吸运动等引起的伪影和错位。
- 主要证据
- 在63次扫描中，配准后PET/CT对齐改善，视觉伪影减少；低计数和ULD-CT条件下DSC/JSC高、HD/AVD低，SUVmean偏差小于5%。
- 研究意义
- 该框架支持在降低辐射暴露的PET/CT协议中使用，不影响配准性能和定量准确性，并可能适用于动态PET和其他患者群体。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
PET/CT配准框架评估
评估深度学习配准框架在不同示踪剂和体部区域改善PET/CT对齐的效果。
应用配准框架生成rCT和rPET，并与原始AC-CT PET图像进行定性比较，观察错位和伪影改善。
低计数PET场景评估
评估框架在减少PET计数（模拟低剂量或短扫描时间）下的稳健性。
使用e7tools随机去除原始数据中的事件，使总计数减少至50%、25%和12.5%。配准框架生成LC-rCT，与rCT比较，使用DSC、JSC、HD、AVD评估，并比较SUVmean。
ULD-CT场景评估
评估框架在超低剂量CT下减少错位并保持定量准确性的能力。
选择7例有明显LD-CT和ULD-CT错位的患者，应用配准框架生成rLD-CT和rULD-CT，比较配准前后的DSC、JSC、HD、AVD，并分析SUVmean一致性。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 图像采集 | Biograph Vision Quadra PET/CT | Siemens Healthineers | -- |
| 图像重建 | e7tools | Siemens Healthineers | -- |
| 图像分割 | 多器官目标分割3.0 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 图像采集 | 示踪剂类型和注射剂量：15O-H2O（200-500MBq），18F-MC225（200-360MBq），89Zr-trastuzumab（37MBq），18F-FDG（2-3MBq/kg） 阅读提示：Table 1 |
| 图像采集 | PET采集时间：15O-H2O体部370或610s，腿部600s；18F-MC225 3610s；89Zr-trastuzumab 1800s（注射后第4天）；18F-FDG 600s或15s（屏气） 阅读提示：Table 1 |
| 图像采集 | CT设置：LD-CT（100-140kVp, 5-30mAs），ULD-CT（100kVp, 6mAs, 锡滤波） 阅读提示：Table 1 |
| 图像重建 | 重建参数：3D OSEM，5子集，4迭代，点扩展函数和飞行时间，矩阵大小220×220×645 阅读提示：Materials and Methods, Image Registration and Reconstruction |
| 图像配准 | 配准框架类型：基于卷积神经网络和空间变换器 阅读提示：Materials and Methods, Image Registration and Reconstruction |
| 图像评估 | 评估指标：DSC, JSC, HD, AVD 阅读提示：Materials and Methods, Evaluation |
| 图像评估 | 定量指标：SUVmean 阅读提示：Materials and Methods, Evaluation |