提高PET DL算法的通用性:列表模式重构 提高DOTATATE PET肝损伤检测性能
Xinyi Yang1, Michael Silosky2, Jonathan Wehrend3
1Department of Biostatistics and Informatics, University of Colorado Anschutz Medical Campus, Aurora, CO 80045, USA.
Bioengineering (Basel, Switzerland)
|March 27, 2024
概括
使用列表模式重建重建现代PET/CT扫描器数据的重建可以提高深度学习 (DL) 性能,用于检测胃肠道胰腺神经内分泌瘤 (GEP-NETs). 这种方法通过在数据集之间匹配噪声水平来提高DL算法的概括性,从而降低注释成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 对于DOTATATE PET病变检测,深度学习 (DL) 需要大量的注释数据集,由于胃肠瘤神经内分泌瘤 (GEP-NET) 的发病率低和注释成本高,这些数据集很少.
- DL模型往往缺乏通用性,在来自不同PET/CT扫描仪或协议的数据上表现不佳,需要更大,更多样化的训练集.
研究的目的:
- 通过调整培训和域外测试数据集之间的背景噪声特征来提高DL算法性能的可行性.
- 评估列表模式重建对改善DL模型通用性对GEP-NET检测的影响.
主要方法:
- 从现代数字扫描仪 (Scanner1) 和较旧的模拟扫描仪 (Scanner2) 获取了Ga-DOTATATE PET/CT数据集.
- 使用标准参数和不同持续时间 (2-5分钟) 的列表模式重建重建的Scanner1数据. 扫描仪2数据使用标准代重建.
- 在每个扫描器的数据上训练DL网络,并在域外的Scanner2数据上测试Network1 (Scanner1),用不同的训练数据分数评估性能.
主要成果:
- 来自Scanner1 (2分钟) 的列表模式重建数据显示噪声水平与Scanner2数据最相似,产生最好的DL性能 (F1 = 0.713),与域内训练 (F1 = 0.755) 相比.
- 将训练数据从25%增加到100%显著改善了DL模型的性能 (F1从0.478增加到0.713;p<0.001).
- 列表模式重建使现代PET数据能够模仿旧扫描仪的噪声特性,从而提高DL的概括性.
结论:
- 使用列表模式协议重建现代PET/CT数据可以有效匹配旧扫描仪的噪声特征,提高DL算法性能.
- 使用现有的注释数据与列表模式重建可以降低数据集生成成本和工作量,显著提高DL模型对GEP-NET检测的概括性.
关键词:
这就是DOTATATE.这是一个GEP-NET网络.在这里,PET是PET.卷积神经网络是一种卷积神经网络.深度学习是一种深度学习.胃肠道胰腺神经内分泌瘤肝脏瘤是肝脏的瘤.定子发射断层扫描 (PET).更多相关视频
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
12.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
