基于[¹⁸F]FDG最大强度投影图像的[¹⁸F]FDG最大强度投影图像的基础上,深层卷积神经网络可以区分沙尔科毒症和淋巴瘤

科学领域:

• 核医学是一种核医学.
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 在适当的治疗中,区分沙尔科毒性瘤和恶性淋巴瘤 (ML) 是至关重要的.
• ¹⁸F]FDG PET/CT是这两种情况的关键成像模式,但区分它们可能是具有挑战性的.
• 深度学习方法为自动图像分析和改进诊断准确性提供了潜力.

研究的目的:

• 为了比较FDG PET/CT在未经治疗的肉类瘤和ML中的发现.
• 开发和评估卷积神经网络 (CNN) 模型,使用MIP [¹⁸F]FDG PET图像来区分这些疾病.

主要方法:

• 在治疗前对新诊断的肉类瘤和ML患者的[¹⁸F]FDG PET/CT扫描进行回顾分析.
• 使用最大强度投射 (MIP) PET图像开发CNN模型.
• 使用k-fold交叉验证和使用Grad-CAM可视化的CNN模型性能评估.

主要成果:

• 在萨尔科伊多सिस (中枢淋巴结,肺病变) 和ML (宫淋巴结) 之间观察到FDG积累模式的显著差异.
• 一个利用正面和侧面MIP图像的CNN模型实现了高精度 (0.890),灵敏度 (0.898) 和特异性 (0.907).
• 格拉德-CAM证实了模型的重点是FDG积累的特征性地点.

结论:

• 根据不同的FDG PET/CT发现,CNN模型有效地区分了 Sarcoidosis 和 ML.
• 这种深度学习方法对诊断广泛涉及器官和淋巴结的疾病充满希望.
• 开发的CNN模型为改善具有挑战性的病例的诊断精度提供了有价值的工具.