Optimizing Attenuation Correction in 68Ga-PSMA PET Imaging Using Deep Learning and Artifact-Free Dataset Refinement
Notice bibliographique
Résumé
Background/Objectives: Attenuation correction (AC) is essential for achieving quantitatively accurate PET imaging. In 68Ga-PSMA PET, however, artifacts such as respiratory motion, halo effects, and truncation errors in CT-based AC (CT-AC) images compromise image quality and impair model training for deep learning-based AC. This study proposes a novel artifact-refinement framework that filters out corrupted PET-CT images to create a clean dataset for training an image-domain AC model, eliminating the need for anatomical reference scans. Methods: A residual neural network (ResNet) was trained using paired PET non-AC and PET CT-AC images from a dataset of 828 whole-body 68Ga-PSMA PET-CT scans. An initial model was trained using all data and employed to identify artifact-affected samples via voxel-level error metrics. These outliers were excluded, and the refined dataset was used to retrain the model with an L2 loss function. Performance was evaluated using metrics including mean error (ME), mean absolute error (MAE), relative error (RE%), RMSE, and SSIM on both internal and external test datasets. Results: The model trained with the artifact-free dataset demonstrated significantly improved performance: ME = −0.009 ± 0.43 SUV, MAE = 0.09 ± 0.41 SUV, and SSIM = 0.96 ± 0.03. Compared to the model trained on unfiltered data, the purified data model showed enhanced quantitative accuracy and robustness in external validation. Conclusions: The proposed data purification framework significantly enhances the performance of deep learning-based AC for 68Ga-PSMA PET by mitigating artifact-induced errors. This approach facilitates reliable PET imaging in the absence of anatomical references, advancing clinical applicability and image fidelity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».