Objectives

• 開發了一個用於動態正子斷層掃描 (Positron Emission Tomography, PET) 影像降噪的 deep learning (DL) 框架，該框架使用靜態 [18F]FDG PET 影像進行訓練。
• 證明將在靜態 [18F]FDG PET 影像上訓練的 deep learning denoising (DL-DN) 應用於動態 [18F]FDG 和 [18F]fluoroglutamine ([18F]FGln) PET 可以顯著降低劑量，同時保持準確的 FDG Ki 和 FGln VT 測量，並增強參數影像品質。
• 研究了 DL-DN 在乳腺癌患者中使用 [18F]FGln 和 [18F]FDG 進行單次成像的低劑量雙示蹤劑成像的潛力。

Methodology

• 實作了一個基於 2D U-Net 的卷積神經網路 (convolutional neural network, CNN)，並帶有 attention gates。
• 該網路處理三個連續的影像切片作為輸入通道，以生成中間切片的預測。
• 使用了 Batch normalization 和 parametric ReLU activation function。
• Skip connections 和 self-attention gating modules 被整合到 U-Net 架構中。
• 添加了輸入和輸出之間的 residual connection。
• 網路訓練使用了按各自平均值標準化的 2D 橫向、冠狀和矢狀切片。
• 實作了使用 mean squared error 和 Adam optimizer 的 pixel-wise loss function。

Results

• DL-DN 始終如一地提高了所有動態幀的影像品質，系統地增強了 time-activity curve (TAC) 的一致性，並將 Ki 和 VT 中與組織相關的偏差和變異性降低到 40 MBq 劑量。
• 在雙示蹤劑研究中，偏差趨勢與單示蹤劑結果一致，但在極低劑量 (4 MBq) 下，乳腺病灶中 [¹⁸F]FGln 的準確性降低。
• 對於 [18F]FDG，DL-DN 在所有劑量水準下都保持了準確的 Ki 定量，即使在降低一個數量級的劑量 (40 MBq) 時也是如此。
• 對於 [18F]FGln，DL-DN 在完全補償極低劑量 (<8 MBq) 下的明顯雜訊方面效果較差。

Discussions

• 該研究缺乏與其他降噪方法（例如 kernel method）的比較。 這種比較將加強 DL-DN 優越性的說法。
• DL-DN 網路沒有考慮動態 PET 中固有的示蹤劑攝取的時變性。 這種限制可能會影響降噪性能。
• 該研究使用了來自高靈敏度 LAFOV PennPET Explorer 的訓練和測試對象數據。 結果對標準 AFOV PET 掃描儀的普遍性需要進一步研究。
• 需要進一步調查 K1 變異性的來源。 未來的工作應包括詳細的敏感性分析。

---

Reference: Impact of deep learning denoising on kinetic modelling for low dose dynamic PET application to single and dual tracer imaging protocols