自动深度学习心脏炎症FDG PET的细分

科学领域:

• 心脏病学 心脏病学
• 核医学是一种核医学.
• 人工智能的人工智能

背景情况:

• 氧葡萄糖正子发射断层扫描 (FDG PET) 对于诊断心脏沙丘病 (CS) 至关重要.
• 精确的心肌细分和图像重定向对于CS FDG PET分析至关重要,但具有挑战性和耗时.
• 目前在CS FDG PET中进行图像处理的方法是劳动密集型的,并且可能缺乏一致性.

研究的目的:

• 开发一个3D U-Net深度学习 (DL) 算法,用于心脏 Sarcoidosis FDG PET 中的自动心肌细分.
• 提高图像分析的效率和一致性,以诊断心脏沙尔科毒症.

主要方法:

• 一个DL模型使用316名患者的FDG PET扫描进行了训练.
• 左心室轮是从 perfusion 数据集中获得的,用于训练.
• 用50名患者的子集对标准方法进行了评估,评估了DL算法的性能,评估了可读性,位移,角度和SUVmax相关性.

主要成果:

• 与标准方法相比,DL细分在90%以上的病例中显著改善了临床可读性.
• 该DL工具的表现与受过训练的技术人员的表现相当.
• 在左心室位移,角度和SUVmax相关性方面,DL细分超越了标准方法.

结论:

• 基于DL的自动细分工具为处理CS FDG PET扫描提供了显著的改进.
• 这种工具有望增强临床工作流程,加快实践,提高CS诊断的一致性和质量.
• 建议对各种数据集进行进一步验证,以扩大这种自动化细分工具的适用性.