生成全身FDG参数K图像从静态PET图像使用深度学习图像

科学领域:

• 核医学就是核医学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 与静态SUV图像相比,FDG参数K图像提供了优越的对比度和精度,用于跟踪器吸收率估计.
• 静态SUV比率 (SUVR) 图像通常使用,但缺乏参数K图像的定量准确性.
• 从SUVR生成可靠的K_i图像的开发方法对于改善诊断能力至关重要.

研究的目的:

• 探索使用U-Net深度学习模型从静态SUVR图像生成合成K_i图像的可行性.
• 评估三个U-Net配置 (SISO,MISO,SIMO) 在此图像生成任务中的有效性.
• 为了比较U-Net生成的K_i图像与地面真相K_i和输入SUVR图像的性能.

主要方法:

• SUVR图像是通过平均动态SUV和正常化到血池值来创建的.
• 基底真相K图像是使用Patlak图形分析与动脉血液输入函数获得的.
• 三个U-Net架构 (SISO,MISO,SIMO) 经过训练,可以从SUVR图像中预测K_i图像.

主要成果:

• 与SUVR (0.571) 相比,U-Net预测显示了较高的线性回归R²值,基本真相K_i (0.576-0.596) 与SUVR (0.571) 相比.
• 与输入SUVR图像 (0.691) 相比,合成K_i图像表现出更高的结构相似度指数测量 (SSIM) 值 (0.704-0.729).
• 虽然在数量上不准确,但U-Net模型成功生成了更像地面真相的替代K图像.

结论:

• 深度学习网络,特别是U-Nets,可用于从静态SUVR图像中估计替代参数K_i图像.
• 这种方法提供了一种潜在的方法,可以从随时可用的静态成像数据中获得更准确的追踪器吸收信息.
• 进一步的研究可能会完善这些模型,以提高核医学中的定量准确性和临床应用.