一个基于卷积神经网络的系统,用于在前列腺癌中全身Ga-PSMA PET图像的全自动细分
Esmail Jafari1, Amin Zarei2, Habibollah Dadgar3
1The Persian Gulf Nuclear Medicine Research Center, Department of Nuclear Medicine, Molecular Imaging, and Theranostics, Bushehr Medical University Hospital, School of Medicine, Bushehr University of Medical Sciences, Bushehr, Iran.
这项研究开发了一种使用深度学习的自动化工具,用于在PSMA PET扫描中检测前列腺癌病变. 人工智能工具准确地对病变进行细分,有助于治疗评估和放射性研究.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 核医学就是核医学.
背景情况:
- 前列腺癌 (PCa) 管理依赖于精确检测和细分恶性病变.
- 全身[68Ga]Ga-PSMA-11 PET/CT扫描对于分期和治疗监测至关重要.
- 手动细分病变是耗时的,并且受观察者之间的变化影响.
研究的目的:
- 开发和评估一种全自动化工具,用于检测和细分转移性前列腺癌 (mPCa) 病变.
- 使用nnU-Net框架进行全身[68Ga]Ga-PSMA-11 PET扫描中的自动细分.
- 评估自动细分与多个中心的手动细分的性能.
主要方法:
- 一项涉及412名PCa患者的多中心研究,这些患者接受了[68Ga]Ga-PSMA-11 PET/CT.
- 基于nnU-Net框架的3D卷积神经网络 (CNN) 的开发.
- 评估包括患者级别分类,病变级别检测和voxel级别细分,比较自动与手动细分.
主要成果:
- 自动化工具在患者级别分类中实现了高准确度 (83%的准确度,92%的灵敏度).
- 损伤水平检测表现出色 (87-94%的准确度,88-95%的灵敏度,98-100%的PPV).
- 沃克塞尔级别细分显示出有希望的结果 (65-70% DSC,72-79% PPV),在定量生物标志物 (PSMA-TV,TL-PSMA) 中有很强的相关性.
结论:
- 深度学习网络,特别是nnU-Net框架,为[68Ga]Ga-PSMA PET中的mPCa损伤细分提供了一个有希望的自动化解决方案.
- 该自动化方法在全身细分方面实现了高精度,促进了定量生物标志物提取.
- 这种工具可以支持对前列腺癌患者的治疗反应评估和放射性研究.
更多相关视频
09:49A Whole Body Dosimetry Protocol for Peptide-Receptor Radionuclide Therapy PRRT: 2D Planar Image and Hybrid 2D+3D SPECT/CT Image Methods
Published on: April 24, 2020
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
相关概念视频
Positron Emission Tomography
One of the main requirements of a PET scan is a positron-emitting radioisotope, which is produced in a cyclotron and then attached to a substance used by the part of the body...
Imaging Studies II: Positron Emission Tomography and Scintigraphy
Fundamental Principles of PET
