Un método basado en aprendizaje profundo informado por tejidos para la corrección del rango de positrones en imágenes PET preclínicas de 68Ga | JoVE Visualize

Área de la Ciencia:

Imagenología Médica
Inteligencia Artificial
Medicina Nuclear

Sus antecedentes:

El rango de positrones (PR) difumina las imágenes PET, limitando la resolución espacial y la precisión cuantitativa, especialmente con emisores de positrones de alta energía como el Galio-68 (68Ga).
La corrección precisa del rango de positrones (PRC) es crucial para una cuantificación precisa en la imagenología PET.

Objetivo del estudio:

Desarrollar y validar un método basado en aprendizaje profundo para la corrección del rango de positrones utilizando redes neuronales convolucionales de codificador-decodificador residual 3D (3D RED-CNN).
Incorporar información anatómica dependiente del tejido a través de una función de pérdida dependiente del mapa u para mejorar la PRC.
Evaluar el rendimiento de diferentes arquitecturas 3D RED-CNN frente a métodos estándar.

Principales métodos:

Se entrenaron tres arquitecturas 3D RED-CNN (unicanal, dos canales, codificador dual) con datos PET simulados.
Los modelos incorporaron información anatómica dependiente del tejido utilizando una función de pérdida dependiente del mapa u.
Se evaluó el rendimiento utilizando métricas como MAE, SSIM, CR y CNR en simulaciones y estudios preclínicos de ratones con 68Ga, en comparación con la PRC basada en Richardson-Lucy (RL-PRC).

Principales resultados:

Los métodos de PRC basados en CNN demostraron una mejora de hasta el 19% en SSIM y una reducción del 13% en MAE en comparación con RL-PRC.
El modelo de Dos Canales logró una recuperación de contraste superior (acuerdo del 97% para la actividad pulmonar frente al 77% para RL-PRC) y una relación de contraste a ruido.
Los modelos CNN mantuvieron niveles de ruido estables, a diferencia de RL-PRC que aumentó el ruido; el modelo de Dos Canales mostró una mejor delineación del tumor y una reducción de los artefactos de derrame en datos preclínicos.

Conclusiones:

La corrección del rango de positrones basada en aprendizaje profundo utilizando 3D RED-CNN mejora eficazmente la calidad de la imagen PET y la precisión cuantitativa, especialmente para 68Ga.
La función de pérdida propuesta dependiente del mapa u y las arquitecturas CNN específicas muestran un potencial significativo para mejorar la imagenología PET clínica.
La investigación futura se centrará en la adaptación de dominio y el entrenamiento híbrido para una generalización más amplia del modelo.