机构名称：
¥ 1.0
核医学成像诸如PET和SPECT之类的核医学成像被高噪声水平和低空间分辨率混淆，需要提高后建筑图像增强，以提高其质量和定量准确性。人工智能（AI）模型，例如卷积神经网络，U-NET和生成的对抗网络，在增强PET和SPECT图像方面表现出了令人鼓舞的结果。本评论文章对PET和SPECT图像增强的最先进的AI方法进行了全面调查，并试图确定该领域的新兴趋势。我们专注于基于AI的PET和SPECT Image DeNoising和Deblurring的最新突破。监督的深度学习模型在减少放射性示意剂剂量和扫描时间的情况下显示出很大的潜力，而无需牺牲图像质量和诊断精度。但是，这些方法的临床实用性通常受到它们对培训配对的清洁和损坏数据集的需求的限制。这激发了对无范围的替代方案的研究，这些替代方案可以通过仅依靠损坏的输入或未配对的数据集来培训模型来克服这一限制。这篇评论重点介绍了最近发表了针对基于AI的PET和SPECT图像增强的监督和无监督的努力。我们讨论了跨扫描仪和交叉协议培训工作，这可以极大地增强基于AI的图像增强工具的临床翻译性。我们还旨在解决一个迫在眉睫的问题，即AI模型产生的图像质量的改进是否导致了实际的临床收益。为此，我们讨论了针对任务特定的客观临床评估的作品，以对图像增强的AI模型或将临床指标纳入其损失功能，以指导图像生成过程。最后，我们讨论了新兴的研究方向，其中包括探索新颖的培训范式，更大的任务特定数据集的策展以及客观的临床评估，这将使未来这些模型的全部翻译潜力实现。
PET和SPECT图像增强的人工智能
主要关键词
相关文件推荐
