一个基于卷积神经网络的系统,用于估计18个F-FDG动态大脑PET研究中的动脉血放射性曲线

科学领域:

• 医疗成像医学成像
• 核医学是一种核医学.
• 计算神经科学是一种神经科学.

背景情况:

• 动态正子辐射断层扫描 (PET) 能够对代谢活动进行定量成像.
• 传统方法需要侵入性动脉血液采样来估计输入功能,限制非侵入性分析.
• 准确的输入函数对于量化代谢率至关重要,例如葡萄糖的大脑代谢率 (CMRGlc).

研究的目的:

• 开发一个卷积神经网络 (CNN) 系统,用于对动脉血时间放射性曲线的非侵入性估计.
• 直接从动态PET数据中准确量化CMRGlc,使用开发的CNN.
• 为了消除在动态PET研究中需要进行侵入性血液采样.

主要方法:

• 对29名神经疾病患者进行18F-FDG-PET/CT的回顾性分析.
• 开发CNN架构以估计动脉等离子体时间放射性曲线.
• 与动脉血液样本对CNN估计的输入函数的验证.

主要成果:

• 美国有线电视新闻网 (CNN) 准确地估计了时间放射性曲线,在所有患者的至少一个中,预测误差在10%以内.
• 从采样血液中获得的CMRGlc值与CNN估计值之间观察到0.99的高度显著的相关系数.
• 开发的CNN系统在量化CMRGlc.时表现出高准确度.

结论:

• 一个CNN可以准确地从动态18F-FDG PET数据中确定动脉血输入函数和CMRGlc.
• CNN促进了非侵入性测量,大大推进了定量动态PET分析.
• 这种方法有可能在定量医学成像分析中得到更广泛的应用.