Shorter SPECT Scans Using Self-supervised Coordinate Learning to Synthesize Skipped Projection Views

本研究旨在解决在低计数条件下延长SPECT成像时间的挑战，如在Lu-177 SPECT成像中遇到的情况，通过开发一种自监督学习方法来合成跳过的SPECT投影视图，从而缩短临床设置下的扫描时间。我们采用自监督坐标学习技术，将计算机视觉中的神经辐射场（NeRF）概念应用于合成欠采样的SPECT投影视图。对于每个单独的扫描，我们使用自监督坐标学习来估计跳过的SPECT投影视图。该方法在Lu-177幻影SPECT / CT测量和临床SPECT / CT数据集上进行了测试。结果表明，我们的方法在SPECT重建中表现优于线性插值投影和部分投影视图，在相对对比度噪声比（RCNR）上平均超过了不同下采样因子：1）DOTATATE：83％ vs. 65％ vs. 67％的病变和86％ vs. 70％ vs. 67％的肾脏，2）PSMA：76％ vs. 69％ vs. 68％的病变和75％ vs. 55％ vs. 66％的器官，包括肾脏、泪腺、腮腺和颌下腺。该方法使得在临床SPECT协议中可以减少采集时间（2、4或8倍），同时保持定量精度，因为它允许收集更少的投影。重要的是，这种基于NeRF的自监督方法消除了对广泛训练数据的需求，而是仅从每个患者的投影数据中学习。在低计数条件下进行成像以及需要多个床位位置的协议（如全身成像）的情况下，缩短采集时间尤其重要。

研究Lu-177 SPECT成像中低计数条件下的扩展成像时间问题，提出一种自监督学习方法，通过合成跳过的SPECT投影视图来缩短临床设置中的扫描时间。

采用自监督坐标学习技术，将计算机视觉中的神经辐射场（NeRF）概念应用于合成欠采样的SPECT投影视图，从而实现缩短扫描时间的目的。

实验结果表明，该方法在不同的下采样因子下均优于线性插值投影和部分投影视图，能够在保持定量准确性的同时缩短临床SPECT协议的采集时间。该方法的自监督性质消除了大量训练数据的需求，而是仅从每个患者的投影数据中学习。

近期相关研究包括“Deep Learning for SPECT/PET Image Reconstruction, Segmentation, and Motion Correction”、“Deep Learning for Image Quality Enhancement in Nuclear Medicine”等。