PET Brain Data

PET脑部数据集由北京师范大学和北京师范大学教育部射线技术重点实验室创建，包含1224名患者的原始PET脑部数据。数据集使用西门子Biograph Vision PET/CT扫描仪采集，每位患者进行120秒的脑部扫描。数据集用于模拟低剂量PET条件，通过缩短扫描时间（30秒、12秒和5秒）来重建图像，旨在解决低剂量PET图像噪声增加的问题，提高图像质量和诊断准确性。The PET brain dataset was developed by Beijing Normal University and the Key Laboratory of Radiation Technology, Ministry of Education, Beijing Normal University. It encompasses raw PET brain data from 1224 patients. The data was acquired using a Siemens Biograph Vision PET/CT scanner, with each patient receiving a 120-second brain scan. This dataset is designed to simulate low-dose PET scenarios: images are reconstructed by reducing the scan duration to 30 seconds, 12 seconds, and 5 seconds, with the goal of mitigating the elevated noise issue in low-dose PET images and enhancing both image quality and diagnostic accuracy.

搜集汇总

数据集介绍

构建方式

PET脑部数据集（PET Brain Data）的构建基于1,224名患者的原始PET脑部扫描数据，这些数据由西门子Biograph Vision PET/CT扫描仪采集。每位患者进行了一次120秒的脑部扫描。为了模拟低剂量PET条件，图像通过自定义开发的GPU加速图像重建软件从缩短的扫描时长（30秒、12秒和5秒）中重建，分别对应全剂量采集的1/4、1/10和1/24。这种数据集的构建方式旨在提供一个全面的低剂量PET图像重建基准，以评估和改进图像去噪技术。

特点

PET脑部数据集的一个显著特点是其多样性和临床相关性。数据集包含了从1,224名患者中获取的复杂脑部PET图像，涵盖了不同剂量水平的重建图像，从而能够全面评估去噪算法在不同噪声水平下的性能。此外，数据集还包括了由六名核医学医师进行的读者研究评分，这为评估去噪图像的临床适用性提供了宝贵的视角。

使用方法

PET脑部数据集主要用于评估和开发针对低剂量PET图像的去噪算法。研究者可以使用该数据集来训练和测试各种深度学习模型，如Cycle-constrained Adversarial Denoising Convolutional Network (Cycle-DCN)，以提高低剂量PET图像的质量。数据集的多样性和临床评分使其成为验证算法在实际临床环境中有效性的理想工具。此外，数据集还可以用于开发新的图像重建和去噪技术，以进一步减少患者的辐射暴露并提高诊断准确性。

背景与挑战

背景概述

正电子发射断层扫描（PET）作为一种非侵入性成像技术，广泛应用于肿瘤和神经疾病的诊断。然而，PET扫描中的放射性示踪剂对患者，尤其是敏感人群，存在辐射风险。为了降低这种风险，减少注射的辐射剂量成为一种有效策略，但这往往导致图像质量下降。因此，从低剂量扫描中重建高质量图像的方法显得尤为重要。PET脑部数据集由北京师范大学和北京协和医院等机构的研究人员创建，包含1224名患者的原始PET脑部数据，旨在通过深度学习模型提高低剂量PET图像的质量。该数据集的创建和应用推动了PET图像去噪技术的发展，为临床诊断提供了更安全、更可靠的成像支持。

当前挑战

PET脑部数据集面临的挑战主要包括两个方面：一是低剂量PET图像中噪声的增加，导致图像质量显著下降，影响诊断的准确性；二是在构建过程中，如何有效地从低剂量图像中恢复出与全剂量图像相媲美的细节和结构。此外，数据集的多样性和广泛性也是一个挑战，因为不同患者、不同扫描设备和不同放射性示踪剂的使用都会影响图像的特性和质量。因此，开发能够适应这些变化的通用去噪模型是当前研究的一个重要方向。

常用场景

经典使用场景

在正电子发射断层扫描（PET）成像领域，PET脑部数据集的经典应用场景主要集中在低剂量PET图像的去噪和重建。通过使用Cycle-constrained Adversarial Denoising Convolutional Network（Cycle-DCN）模型，该数据集能够从低剂量扫描中重建出高质量的全剂量图像。这种技术在肿瘤和神经疾病的诊断中尤为重要，因为它能够在减少患者辐射风险的同时，保持图像的诊断质量。

衍生相关工作

基于PET脑部数据集的研究，衍生了一系列相关工作，包括不同剂量水平下的PET图像去噪算法比较、CycleGAN在PET图像去噪中的应用，以及多种深度学习模型在低剂量PET图像重建中的性能评估。这些研究不仅扩展了PET图像处理的技术边界，还为未来的多中心和跨设备实验提供了理论基础。

数据集最近研究

最新研究方向

在正电子发射断层扫描（PET）图像处理领域，最新的研究方向集中在开发高效的降噪算法，以从低剂量扫描中恢复高质量的图像。具体而言，Cycle-constrained Adversarial Denoising Convolutional Network (Cycle-DCN) 模型通过集成噪声预测器、两个判别器和一个一致性网络，优化了监督损失、对抗损失、循环一致性损失、身份损失和邻近结构相似性指数（SSIM）损失的组合，显著提升了图像的峰值信噪比（PSNR）、结构相似性指数（SSIM）和归一化均方根误差（NRMSE）。该模型在1,224例PET脑部数据上的实验结果表明，其在不同剂量水平下均能有效恢复图像细节和肿瘤形状，特别是在低剂量条件下，其性能优于传统的U-Net、DnCNN等模型。此外，通过读者研究，核医学医师对Cycle-DCN恢复的图像给予了最高评价，凸显了其在临床应用中的重要性。

相关研究论文

• Cycle-Constrained Adversarial Denoising Convolutional Network for PET Image Denoising: Multi-Dimensional Validation on Large Datasets with Reader Study and Real Low-Dose Data

  北京师范大学 · 2024年