首个用于提升正电子湮灭相互作用-传输成像系统精度的深度学习框架

《MEDICAL PHYSICS》：First deep learning framework for enhanced positron annihilation interaction-transmission imaging system precision

PAITI新型成像技术结合深度学习模型DeepPAITI显著提升电子密度分解精度，在低剂量 (<1μGy) 下置信度达99%，MRE较传统方法降低83%-77%，为放射治疗规划提供高精度工具。

摘要

背景

正电子湮灭相互作用-传输成像（PAITI）是一种新型的低剂量、多参数解剖成像技术，它利用正电子湮灭光子生成多张2D图像。通过逐步分析方法，PAITI可以从基础图像中生成次级图像，包括相互作用图、沉积能量图、衰减图和电子密度图。目前，该技术的平均相对误差为4.32%。

目的

为了提高临床应用（例如离子治疗计划）的精度，我们引入了DeepPAITI——这是一种基于深度学习的技术，能够更准确地提取次级图像。

方法

我们开发了一种具有多分支、多输入和多输出结构的深度学习模型，并在数值模拟和GATE蒙特卡洛数据集上进行了广泛的训练和测试。同时进行了敏感性分析，并将DeepPAITI与ResNet、UNet和VGG-16等常见模型进行了比较。

结果

DeepPAITI在数值模拟中的平均相对误差（MRE）为0.63 ± 0.08%，在基于GATE的测试中为0.91 ± 0.20%，相比传统分析方法提高了77%。在极低剂量（< 1 μGy）条件下，关键材料（水、碳、骨骼和钛）的电子密度分解置信度从63%提高到了99%。此外，与传统深度学习模型相比，DeepPAITI的MRE至少提高了83%。

结论

DeepPAITI在提取PAITI次级图像方面显著优于传统方法，为放射治疗和离子治疗计划等领域的更精确临床应用奠定了基础。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

本研究的支持数据可向相应作者提出合理请求后获取。