Objectives

開發了用於定量 90Y SPECT 成像中無 CT 的 attenuation correction (AC) 和基於 Monte Carlo 的 scatter correction (SC) 的 deep learning (DL) 模型。
使用修改後的 3D Swin UNETR 架構，分別為 AC、SC 和聯合 attenuation and scatter correction (ASC) 訓練了三個獨立的模型。
與傳統方法（CPU 上 80 分鐘）相比，實現了快速的推論時間（GPU 上每個 SPECT 影像 20 秒，CPU 上 6 分鐘）。
使用從校正和未校正的 SPECT 影像中得出的劑量圖作為模型的輸入和輸出，利用有意義的劑量值 (Gy)。
在器官和體素層級上廣泛評估了模型性能，證明其準確性與商業重建工具相當。

Methodology

採用修改後的 3D Swin UNETR 架構，結合了 U 形網路與 Swin Transformer 編碼器和 Convolutional Neural Network (CNN) 解碼器。
對 190 名接受 90Y selective internal radiation therapy (SIRT) 的患者的數據集採用 5-fold cross-validation 訓練方案。
使用隨機取樣 (64x64x64 voxels)、旋轉和翻轉進行數據增強，dropout 設定為 0.1。
使用 Adam 優化器和 L1 損失函數 (Mean Absolute Error) 訓練模型 200 個 epochs。
使用與訓練相同取樣大小的滑動窗口方法執行測試影像推論。

AC 任務的體素層級定量指標（平均值±標準差）：mean error (ME (Gy))：-0.026±0.06，structural similarity index (SSIM (%))：99.5±0.25，peak signal to noise ratio (PSNR (dB))：47.28±3.31。
對於 SC 任務：ME：-0.014±0.05，SSIM：99.88±0.099，PSNR：55.9±4。
對於 ASC 任務：ME：-0.04±0.06，SSIM：99.57±0.33，PSNR：47.97±3.6。
使用 "DTA：4.79，DD：1%"、"DTA：10 mm，DD：5%" 和 "DTA：15 mm，DD：10%" 標準進行的體素層級 gamma 評估，通過率約為 98%。
腫瘤和 whole normal liver (WNL) 的 mean absolute error (MAE (Gy))：AC（7.22±5.9 和 1.09±0.86），SC（8±9.3 和 0.9±0.8），ASC（11.8±12.02 和 1.3±0.98）。

該研究使用了相對較大的數據集（190 名患者），但它來自單一中心，可能限制了普遍性。未來的工作應包括多中心數據。
模型的性能受到金屬植入物和異質組織成分（例如鈣化、空氣-組織界面）的存在的影響。作者應考慮納入解決這些挑戰的策略，例如包括具有這些特徵的更多樣化的訓練數據或開發特定模塊來處理它們。
雖然該研究將 DL 模型與商業重建工具進行了比較，但與其他已發表的基於 deep learning 的 90Y SPECT 的 AC 和 SC 方法進行更直接的比較將加強研究結果。
使用劑量圖而不是直接使用 SPECT 影像的理由是合理的。然而，提供有關使用 SPECT 影像訓練時遇到的限制（補充材料）的更多細節將是有益的。