人工智能驱动的单拍PET图像文物检测和解:朝着常规的临床图像质量保证
Isaac Shiri, Yazdan Salimi1, Elsa Hervier1
1From the Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, Geneva.
Clinical nuclear medicine
|October 26, 2023
概括
这项研究介绍了PET-QA-NET,这是一个新的深度学习工具,用于检测和纠正PET扫描中的医学成像文物. 人工智能显著提高了临床环境中的图像质量和诊断信心.
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:
- 医学成像文物降低图像质量,阻碍准确的解释和临床决策.
- 目前的质量保证方法可能不足以解决PET扫描中的复杂工件.
研究的目的:
- 开发和演示一个新的深度学习网络,PET图像质量保证网络 (PET-QA-NET),用于例行PET图像质量保证.
- 在不需要参考标准或基本真相的情况下检测和解开图像文物.
主要方法:
- 在669个无文物18F-FDG PET/CT图像上训练了一个深度学习模型,在8个中心的384个扫描上进行了微调.
- 在22个感兴趣的卷上使用图像质量指标评估模型.
- 进行了由2名核医学医生对200个扫描 (例行PET与PET-QA-NET) 的盲目评估.
主要成果:
- 实现了SUV指标的低平均绝对误差 (MAE) 值 (SUV平均值:0.13 ± 0.04,SUV最大值:0.24 ± 0.1,SUV峰值:0.21 ± 0.06).
- 定性评估显示,PET-QA-NET与常规基于CT的校正相比,提高了图像质量,诊断信心,并减少了文物.
- 医生们注意到,新方法的图像质量和诊断信心总体上有所改善.
结论:
- PET-QA-NET是一种高效可靠的工具,用于临床PET成像中的常规质量保证.
- 该网络成功检测和纠正18F-FDG PET图像文物.
- 实施PET-QA-NET可显著提高PET图像质量和定量能力.
