[Nature Communications | 论文简读] 利用领域知识进行鲁棒和可泛化深度学习的无CT的PET衰减和散射校正

简读分享 | 王宇哲 编辑 | 王宇哲

论文题目

Using domain knowledge for robust and generalizable deep learning-based CT-free PET attenuation and scatter correction

论文摘要

尽管深度学习的方法有潜力取代基于CT的PET衰减和散射校正方法，得到无CT的PET成像，但一个关键的瓶颈是它们在处理PET成像的示踪剂和扫描仪的异质性方面的能力有限。本研究采用一种简单的方法将领域知识整合到深度学习中，用于无CT的PET成像。与传统直接进行深度学习的方法相比，本文通过域分解来简化复杂问题，从而可以在低频域中鲁棒地实现与解剖相关的衰减校正学习，而在处理过程中可以保留原始的与解剖无关的高频纹理。即使使用一种示踪剂在一台扫描仪上进行训练，我们提出的方法的有效性和鲁棒性在不同扫描仪上的不同外部成像示踪剂测试中得到了证实。鲁棒的、可泛化的和透明的深度学习发展可能提高临床转译的潜力。

论文链接

https://www.nature.com/articles/s41467-022-33562-9#Abs1