不同的隐私保护联合转移学习为多机构的Ga-PET图像文物检测和解

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:

• 分子成像中的图像工件导致误诊,增加辐射暴露和成本.
• 不匹配和光环文物在Ga标记的PET/CT扫描中很常见.
• 传统方法难以充分纠正这些人工制品,需要算法进步.

研究的目的:

• 开发和评估一个差异性保护隐私的联合转移学习 (FTL) 框架,用于检测和纠正Ga-PET/CT成像中的文物.
• 管理跨多个中心的临床数据共享,同时解决患者隐私问题.
• 为了建立特定中心的模型来纠正文物.

主要方法:

• 利用了来自3个国家的8个中心的1413个Ga-PSMA/DOTA-TATE PET/CT扫描.
• 训练了一个深度神经网络 (修改后的U2Net),使用基于中心 (CeBa),集中 (CeZe) 和FTL框架的无文物图像 (421名患者).
• 在一个干净的测试套件上进行了定量分析,并通过核医学医生对含有文物的图像进行了定性评估.

主要成果:

• FTL实现了最低的0.28 ± 0.15的平均绝对误差 (MAE),表现优于CeBa (0.42 ± 0.21) 和CeZe (0.32 ± 0.23) (p < 0.05).
• 定性评估显示,与基于CT的减弱和散射校正 (CT-ASC) 相比,FTL显著提高了图像质量和诊断信心,同时减少了文物.
• 在各种解剖学区域成功检测和纠正不匹配和光环文物.

结论:

• 差异性隐私保护FTL允许有效,符合隐私的多中心异质数据集用于Ga-PET成像中的文物检测和校正.
• 拟议的FTL模型准确地解决了具有挑战性的文物,证明了临床整合的潜力.
• 这种方法提高了分子成像中的诊断准确性和患者安全性.