预测FDG-PET图像从多对比MRI使用深度学习在患有脑瘤的患者

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 18F-氧葡萄糖 (FDG) 定子发射断层扫描 (PET) 对于检测可行的瘤至关重要,但面临的局限性包括地理限制,辐射暴露和高成本.
• 需要采用替代方法来产生与PET相当的成像,以提高可访问性和减少患者负担.

研究的目的:

• 开发一种深度学习模型,能够使用多对比MRI数据为患有脑瘤的患者产生诊断质量的PET等效成像.
• 评估从MRI中合成FDGPET图像的可行性,而无需使用放射性追踪剂.

主要方法:

• 一项回顾性研究涉及51名接受18F-FDG PET和多对比MRI (3T;3D GRE T1,3D GRE T1c,3D FSE T2-FLAIR,3D FSE ASL) 的受试者.
• 卷积神经网络使用MRI序列作为输入来合成FDG PET图像进行训练.
• 使用定量指标,布兰德-阿尔特曼分析和专家医生评分来评估图像质量和诊断一致性.

主要成果:

• 与ASL相比,合成的PET图像与获得的PET图像具有视觉相似性,质量指标 (PSNR,SSIM,RSME) 显著改善.
• 虽然49.7%的合成PET图像被评为高质量 (与73.4%的获得PET相比),但该模型在病变检测中达到87%的准确性,尽管有倾向于过度调用.
• 读者一致意见各不相同,凸显了需要进一步改进模型的需要.

结论:

• 开发的深度学习模型显示了合成MRI诊断质量的FDG PET图像的前景.
• 这种方法可能会在某些诊断场景中消除对放射性追踪器的需求,改善患者护理并降低医疗保健成本.