在没有真实数据注释的情况下学习在PET图像中检测肝病变

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在PET成像中用于病变识别的深度神经网络 (DNN) 通常需要大量的注释数据.
• 获得足够的注释PET数据,用于罕见疾病,如神经内分泌瘤 (NETs) 是具有挑战性的,因为低发病率和高注释成本.

研究的目的:

• 开发一种可适应的深度学习框架,用于在NET中检测肝病变,使用低成本的模拟数据,而不是真正的病变注释.
• 为了提高概括性和减少在临床PET成像中检测病变的注释负担.

主要方法:

• 提出了一个区域引导的生成对抗网络 (RG-GAN) 用于损伤保存的图像到图像翻译.
• 开发了一个数据增强模块,专门用于列表模式模拟数据,以增强模型训练.
• 集成RG-GAN,数据增强和病变检测网络成为联合任务学习的统一框架.

主要成果:

• 与最先进的病变检测技术相比,提出的方法在真实临床68Ga-DOTATATE PET图像中表现出更高的性能.
• 实现了与经过实际损伤注释训练的模型可比的性能,验证了模拟数据的有效性.

结论:

• 在NET中有效检测肝病变可以通过使用RG-GAN建模和专业数据增强来实现,而无需实际数据注释.
• 这种可适应的深度学习方法显著减少了对数据注释所需的努力,并提高了用于PET损伤检测的模型通用性.