深度学习算法的可行性,以实现低剂量Ga-FAPI/快速扫描PET图像:一个多中心研究

科学领域:

• 核医学是一种核医学.
• 放射学 放射学是一门学科.
• 医疗成像中的人工智能

背景情况:

• -68 FAPI (Ga-FAPI) 阳离子发射断层扫描 (PET) /CT对于诊断至关重要.
• 减少辐射追踪器活动和扫描时间可以降低成本和患者的辐射暴露.

研究的目的:

• 评估深度学习算法的可行性,以减少Ga-FAPI注入的活动和/或扫描时间.
• 评估剂量减少对PET/CT图像质量和病变检测的影响.

主要方法:

• 使用深度学习模型,从两个中心的130名患者中生成低剂量Ga-FAPI PET/CT图像 (DL-22%,DL-28%,DL-33%).
• 图像质量被主观和客观地评估;病变检测率和定量指标 (SUVmean) 被分析.

主要成果:

• 在标准Ga-FAPI剂量的33%的深度学习生成的图像满足了临床诊断要求.
• 两个中心的整体病变检测率达到95.9%,DL-33%协议.

结论:

• 深度学习有助于显著减少Ga-FAPI注射活动和/或PET/CT扫描时间.
• 低于标准剂量的33%的Ga-FAPI剂量可以保持可接受的图像质量和诊断性能.