深度学习模型用于在PET中自动评估图像质量
Haiqiong Zhang1,2, Yu Liu1, Yanmei Wang3
1Department of Nuclear Medicine, State Key Laboratory of Complex Severe and Rare Diseases, Beijing Key Laboratory of Molecular Targeted Diagnosis and Therapy in Nuclear Medicine, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences, Beijing, 100730, China.
BMC medical imaging
|June 5, 2023
概括
这项研究开发了一种深度学习 (DL) 模型,自动评估正电子发射断层扫描 (PET) 图像质量. 该DL工具可靠地区分优质和低质量的PET扫描,从而有可能加速临床研究.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 位子发射断层扫描 (PET) 的图像质量可能会被外部因素降低,导致研究结果不一致.
- 开发用于PET图像质量评估 (QA) 的自动化方法对于可靠的临床研究至关重要.
研究的目的:
- 探索基于深度学习 (DL) 的方法,用于自动化PET图像质量评估.
- 开发一种可靠地区分最佳质量和质量差的PET图像的工具.
主要方法:
- 一组89张PET图像的数据集被高级放射科医生收集并分类.
- 训练了一种密集卷积网络 (DenseNet) 模型来分类图像质量.
- 使用准确度,灵敏度,特异性和ROC分析与五倍交叉验证来评估性能.
主要成果:
- 任务4,专注于区分差 (等级1-2) 和良好的 (等级3-5) 质量图像,表现最好.
- 任务4的自动化质量评估在测试组中实现了高精度 (0.85),特异性 (0.79) 和灵敏度 (0.91).
- 该模型在测试组中实现了0.91的ROC曲线下的面积 (AUC),表明了强大的区分能力.
结论:
- 深度学习模型可用于评估PET图像质量.
- 这种自动化质量保证工具可以通过提供可靠的图像质量评估,帮助加快临床研究.


