人工智能方法对[¹⁸F]FDG PET/CT结果预测扩散大B细胞淋巴瘤患者对图像重建协议的敏感性

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 核医学是一种核医学.

背景情况:

• 卷积神经网络 (CNNs) 在使用[18F]-FDG PET/CT.在扩散大B细胞淋巴瘤 (DLBCL) 中预测治疗结果方面表现有希望.
• 这些CNN预测对图像重建协议变化的稳定性尚未得到充分理解.

研究的目的:

• 研究不同的[18F]-FDG PET/CT图像重建协议对DLBCL中基于CNN的治疗结果预测的影响.
• 评估图像协调技术在提高CNN预测在不同重建协议的一致性方面的有效性.

主要方法:

• 基线[18F]-FDG 20名DLBCL患者的PET/CT扫描使用EARL1,EARL2和高分辨率 (HR) 协议进行了重建.
• 基于图像的转换 (高斯模糊) 用于将EARL2和HR图像与EARL1标准协调.
• 一个CNN模型预测了每个重建图像的2年内瘤进展概率,并且在协调前后分析了差异 (ΔP).

主要成果:

• CNN预测对重建协议敏感,预测概率有显著差异 (EARL2 ΔP中位数为0.09,HR ΔP中位数为0.1).
• 更高分辨率的图像通常会导致更高的概率值.
• 基于图像的协调显著改善了CNN预测在不同重建协议之间的一致性 (转换EARL2 ΔP中位数0.022,转换HR ΔP中位数0.029).

结论:

• 在DLBCL中基于CNN的结果预测受到PET/CT图像重建方法的影响.
• 基于图像的协调是标准化CNN预测的有效策略,确保在不同成像协议之间可靠的结果预测.