从全身PET/CT采用最大强度投影图像进行基于深度学习的特征提取 图像:肺癌数据的初步结果
Joonhyung Gil1,2, Hongyoon Choi1,2, Jin Chul Paeng1,2
1Department of Nuclear Medicine, Seoul National University Hospital, 101 Daehak-ro, Jongno-gu, Seoul, 03080 Republic of Korea.
Nuclear medicine and molecular imaging
|September 18, 2023
概括
这项研究引入了一种新的深度学习方法,使用2D PET图像进行肺癌分析,简化了3D数据处理. 这种方法有效地根据临床病理特征对患者数据进行分组,有助于诊断分类.
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:
- 深度学习 (DL) 对于医学成像分析至关重要.
- 由于计算需求,对DL模型进行3D PET体积数据的处理具有挑战性.
- 现有的方法难以对PET体积数据进行端到端的DL分析以进行分类.
研究的目的:
- 开发一种DL方法,使用全身FDG PET体积的2D最大强度投影 (MIP) 图像.
- 为了使预训练DL模型的使用,通常用于2D图像,用于PET体积分析.
- 为了克服与DL应用中直接3D PET体积处理相关的困难.
主要方法:
- 一项对562名肺癌患者的回顾性研究 [18F]FDG PET/CT图像和临床病理学数据.
- 从全身PET体积生成前侧MIP图像作为输入.
- 使用预训练的卷积神经网络 (CNN) 模型 (ResNet-50) 提取特征.
- 使用t分布式随机邻域嵌入 (t-SNE) 地图可视化图像特征和关系.
主要成果:
- 从MIP图像中提取的DL特征被成功嵌入并使用t-SNE进行可视化.
- 根据各种临床病理学特征,包括性别和瘤阶段,聚类PET图像.
- 根据患者的姿势,在t-SNE地图上可视化,确定了明显的PET模式.
结论:
- 基于2D图像的DL模型可以有效地使用MIP图像分析全身PET体积.
- 这种方法绕过了直接3D PET体积处理的需要,减少了数据和资源需求.
- 拟议的方法可以作为各种全身PET图像分析应用的潜在支柱.
