基于深度学习的多器官细分方法对PET/CT成像中的患者特异性内部剂量计的影响:一项比较研究

科学领域:

• 医疗成像医学成像
• 辐射科学 辐射科学
• 人工智能在医学中的应用

背景情况:

• 用于内部剂量计的PET图像的手动细分是耗时的,容易出现人为错误.
• 准确的多器官细分对于核医学中精确的内部剂量测量至关重要.
• 深度学习 (DL) 为自动化和高效的图像细分提供了一个潜在的解决方案.

研究的目的:

• 评估2D和3D深度学习模型在PET图像中的多器官细分的性能.
• 为了比较基于DL的细分与内部剂量计的传统手动方法.
• 评估纳入CT数据对细分精度的影响.

主要方法:

• 使用仅PET图像进行预训练的p2p-U-Net-GAN和HighRes3D架构的微调.
• 用PET/CT图像对HighRes3D模型进行替代训练.
• 使用诸如灵敏度,特异性,IOU和子得分等指标进行绩效评估.

主要成果:

• 两种2D和3DDL模型都表现出强的性能,其中HighRes3D获得了0.90.0以上的Dice分数.
• 敏感性,特异性和IOU等关键指标处于有利的范围内 (0.89-0.93,0.98-0.99,0.87-0.89).
• 手动和DL方法之间的计算S值的百分比差异在0.1%到6%之间.

结论:

• 深度学习模型提供全身PET/CT图像的自动化和快速细分.
• 高分辨率3D模型显示出卓越的性能,并推用于18F-FDG-PET图像分割.
• 虽然CT数据可以提高性能,但HighRes3D在没有CT数据的情况下也能获得类似的效果,提供了灵活性.