从脑图像中自动提取动脉输入功能,用于参数性PET研究

科学领域:

• 核医学是一种核医学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 精确的动脉输入功能 (AIF) 测量对于参数PET研究至关重要.
• 侵袭性动脉血液采样是AIF衍生的标准但侵袭性方法.
• 图像衍生输入函数 (IDIF) 在脑PET中具有挑战性,原因是有限的视野血液池.

研究的目的:

• 开发和验证一种新的自动化方法,用于直接从脑PET图像中估计AIF.
• 克服侵入性AIF测量和脑PET中的图像衍生方法的局限性.
• 为了减少操作者依赖,并提高参数PET的临床适用性.

主要方法:

• 开发了一个自动化的AIF估计框架,使用基于波形的方法和无监督的机器学习.
• 在大脑PET数据中区分动脉和静脉活动曲线.
• 验证了自动化AIF与来自下降大动脉的图像衍生的输入函数.

主要成果:

• 自动化框架成功地从脑图像中估计了AIF.
• 验证组中自动提取的AIF与下降性大动脉IDIF的形状非常相匹配.
• 实现了 -1.59 ± 2.93%的曲线误差下的平均面积和0.17 ± 0.07.07的正常化根平均平方误差.

结论:

• 自动化AIF框架从脑PET图像提供了准确的AIF估计.
• 这种方法显著降低了对AIF确定过程中的运营商依赖.
• 这种方法有可能促进参数PET成像的更广泛的临床采用.