基于深度卷积神经网络过渡学习的个人显示优化系统的开发,用于索马托斯塔丁受体光束学
Shun Matsumoto1,2, Yuki Nakahara3, Teppei Yonezawa3
1Division of Radiology, Yamaguchi University Hospital, 1-1-1 Minamikogushi, Yamaguchi, 755-8505, Japan. matsu-s@yamaguchi-u.ac.jp.
Radiological physics and technology
|January 2, 2024
概括
这项研究引入了一种深度卷积神经网络 (DCNN) 方法,以增强体静止素受体光学 (SRS) 图像,以更好地诊断神经内分泌瘤 (NET). 与传统方法相比,优化的图像显著改善了显示条件.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 核医学就是核医学.
背景情况:
- 索马托斯坦素受体扫描 (SRS) 对于诊断神经内分泌瘤 (NETs) 至关重要.
- 优化图像显示是SRS扫描准确解释的关键.
- 当前的手动调节方法可能无法始终实现最佳显示条件.
研究的目的:
- 开发和验证深度卷积神经网络 (DCNN) 方法,以单独优化全身SRS图像显示.
- 提高诊断准确性和观察者对SRS解释的信心.
- 创建一个基于DCNN的图像增强技术,反映观察者的偏好.
主要方法:
- 使用从-67 (Ga) 图像优化中转移学习开发了一个DCNN.
- 重建了一个DCNN,用于SRS图像优化,转换了重量系数.
- 将灰度线性过程应用于DCNN输出,以获得最终线性校正的DCNN (LcDCNN) 图像.
- 使用对对比方法进行观察者研究,以评估LcDCNN图像与原始和参考图像的对比.
主要成果:
- 在显示条件下,LcDCNN图像明显优于原始SRS图像 (29/30个案例).
- 观察者偏好显示LcDCNN图像在30个比较中的17个中优于参考图像.
- 对于LcDCNN和参考图像的显示条件优越性,观察到有统计学意义的差异.
结论:
- 拟议的LcDCNN方法有效地优化了基于观察者偏好的SRS图像显示.
- 与传统的手动调整相比,LcDCNN图像显示出更好的显示条件.
- 这种人工智能驱动的方法有望提高NET成像中的诊断能力.
