在最新的6环数字探测器系统上使用深度神经网络进行自动化的F18-FDG PET/CT图像质量评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 核医学就是核医学.

背景情况:

• 评估F18-FDG-PET扫描的图像质量对于准确诊断至关重要.
• 最大强度投影 (MIP) 图像通常用于PET成像分析.
• 手动图像质量评估可能是主观的,耗时的.

研究的目的:

• 为了评估机器学习分类器在评估F18-FDG-PET MIP图像的图像质量的有效性.
• 将机器学习分类器的性能与经验丰富的放射科医生的手动评估进行比较.

主要方法:

• 生成了400张F18-FDG-PET MIP图像,模拟缩短了采集时间.
• 利用了以 450 和 600 的β值进行区块顺序规范期望最大化 (BSREM) 重建.
• 训练了一台机器学习分类器,对283个"足够"和117个"不足"的质量图像进行了训练.
• 使用灵敏度,特异性和曲线下的面积 (AUC) 评估分类器性能.

主要成果:

• 机器学习分类器实现了高性能:BSREMβ 450的AUC为0.978和BSREMβ 600的AUC为0.967.
• 灵敏度为89% (β 450) 和94% (β 600);对于两个β值的特异性为94%.
• 自动评估显示了与放射科医生手动评估相当的性能.

结论:

• 机器学习分类器可以有效地自动化F18-FDG-PET MIP图像的图像质量评估.
• 这种自动化方法为手动质量控制提供了可靠和高效的替代方案.
• 这些发现支持整合人工智能工具,以加强核医学中的诊断工作流程.