Identificación de la lesión en una sola etapa en $^{68}$Ga-DOTATATE Imágenes PET

Área de la Ciencia:

• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.
• Oncología Oncología.

Sus antecedentes:

• La tomografía por emisión de positrones (PET) es crucial para la evaluación del tumor neuroendocrino (NET).
• La identificación automatizada de lesiones en imágenes PET es vital para el desarrollo de tratamientos NET efectivos.
• Los métodos de aprendizaje profundo existentes a menudo requieren regiones de interés predefinidas (ROI / VOI) o complejas tuberías de múltiples etapas, lo que lleva a ineficiencia y variabilidad.

Objetivo del estudio:

• Proponer un nuevo método de detección de lesiones de PET en una sola etapa para las redes.
• Para eliminar la necesidad de ROIs / VOIs precalculados, modelos en cascada o datos multimodales.
• Mejorar la eficiencia y la precisión de la identificación de lesiones en las imágenes PET.

Principales métodos:

• Introducción de una red neuronal tridimensional de doble decodificador.
• Incorporación de un módulo de atención de decodificación cruzada utilizando la segmentación de órganos auxiliares.
• Integración de un módulo de aprendizaje de contraste patchwise para mejorar el poder discriminativo de la lesión.

Principales resultados:

• El método propuesto se evaluó en conjuntos de datos de imágenes hepáticas NET $^{68}$Ga-DOTATATE PET de dos escáneres diferentes.
• Se logró un rendimiento superior en comparación con las líneas de referencia de referencia y los enfoques de vanguardia.
• El marco de una sola etapa demostró mejoras significativas en la identificación de lesiones.

Conclusiones:

• El novedoso marco de una sola etapa, que utiliza la atención de decodificación cruzada y el aprendizaje de contraste por parches, mejora efectivamente la identificación de lesiones en imágenes PET.
• Este enfoque tiene el potencial de mejorar significativamente la eficiencia de la interpretación clínica de los datos de imágenes de PET para las redes.