De uitgebreide axiale field-of-view (FOV) van total-body (TB) positron emission tomography (PET) scanners biedt de mogelijkheid om de verdeling van een radiofarmacon dynamisch in beeld te brengen en dit in meerdere organen tegelijk. Uit deze 4-dimensionale (4D) TB-PET gegevens kunnen via kinetische modellering parametrische mappen worden afgeleid. Deze parametrische mappen kunnen clinici extra inzicht bieden in de wijze waarop de behandeling van patiënten kan worden gestuurd en beheerd. Echter, de toepassing van dynamische TB-PET beeldvorming in de klinische routine is nog steeds beperkt vanwege de lange opnametijd en de aanwezigheid van veel ruis in de 4D datasets wat resulteert in een niet optimale beeldkwaliteit van de parametrische mappen. Het doel van dit project is de verbetering van de beeldkwaliteit van 4D TB-PET datasets door toepassing van deep learning (DL) technieken. Het voorgestelde project onderzoekt DL-gebaseerde methoden voor het verminderen van ruis in 4D TB-PET datasets, zowel spatiaal als temporaal, met als doel de beeldkwaliteit te verbeteren van de parametrische mappen die berekend kunnen worden gebruik makende van de dynamische TB-PET gegevens. Het doel is te beschikken over een intelligent en tijdsefficiënt DL-gebaseerd model om 4D TB-PET datasets te optimaliseren (zowel klinisch als preklinisch), alsook om rechtstreeks parametrische mappen van hoge kwaliteit te genereren gebruik makende van een kortere acquisitietijd.