通过卷积神经网络减少Lu平面光束扫描的扫描时间:蒙特卡洛模拟研究.

科学领域:

• 核医学就是核医学.
• 医疗成像医学成像
• 辐射疗法 辐射疗法

背景情况:

• 基于Lu的受体放射性核酸治疗 (PRRT) 对于个性化癌症治疗至关重要.
• 精确的剂量测量对于有效的Lu-PRRT至关重要.
• 减少177的扫描时间可以提高患者的舒适性和吞吐量.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 以减少扫描时间在Lu平面光学.
• 评估在Lu-PRRT中使用CNN-denoised图像进行个性化剂量测量的可行性.

主要方法:

• 一个基于DenseNet的CNN模型被训练并使用蒙特卡洛模拟进行测试.
• 具有10-90%的光子总计数的输入图像被用于生成全计数图像 (CNN标签).
• 进行了统计比较 (t-test) 完成了完整计数和CNN-denoised图像之间的像素强度.

主要成果:

• 在德伦佐幻影中,对象>13毫米时没有观察到显著差异.
• 在使用10-60%的光子计数时,在10毫米棒中发现了统计学上显著的差异.
• 在使用10%光子计数的NCAT幻影中,在子剂量测量中发现了显著的差异.

结论:

• 拟议的CNN方法可以在13毫米以上的物体上将Lu光束扫描扫描时间缩短高达70%.
• 这种方法在临床环境中促进了Lu-PRRT的个性化剂量测量.
• 该方法在提高核医学程序的效率方面表现有前途.