在F-fluciclovine PET/CT图像上使用深度学习进行损伤细分
Tonghe Wang1,2, Yang Lei1, Eduard Schreibmann1
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, GA, United States.
Frontiers in oncology
|December 29, 2023
概括
深度学习模型可以使用18F-fluciclovine PET/CT扫描自动检测和细分前列腺癌患者的病变. 这项技术有望提高诊断准确性和放射治疗规划效率.
科学领域:
- 放射学和核医学 放射学和核医学
- 医疗成像中的人工智能
- 在瘤学瘤学.
背景情况:
- 18F-fluciclovine PET/CT成像对于指导前列腺切除术后的前列腺癌救援放射治疗至关重要.
- 精确的病变检测和细分对于有效的治疗计划至关重要.
研究的目的:
- 评估深度学习方法的可行性,以对18F-fluciclovine PET/CT图像进行自动化病变检测和细分.
- 为了比较不同神经网络架构和输入方式 (仅PET/CT与PET) 的性能.
主要方法:
- 从EMPIRE-1试验中对84名前列腺癌患者进行了回顾性分析.
- 训练和测试三个神经网络 (U-net,级联U-net,级联检测细分网络),使用五重交叉验证和保留测试.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD95),质量中心距离 (CMD) 和体积差异 (VD) 的定量评估.
主要成果:
- 深度学习模型成功检测出144/155个病变 (PET+CT) 和153/155个病变 (仅PET).
- 性能最好的网络实现了0.68±0.15的平均DSC和4±2毫米的HD95.
- 仅PET输入的性能与PET+CT相比或优于PET+CT,CT添加导致更多的故障.
结论:
- 深度学习方法可用于18F-fluciclovine PET/CT图像上的自动化病变细分.
- 这种方法具有显著的潜力,可以帮助医生识别病变并减少轮时间.
- 自动化细分可以作为临床工作流程中宝贵的第二次检查.
