一个基于深度学习的自动化框架,用于PSMA PET/CT成像对前列腺癌患者的摄入细分和分类

科学领域:

• 核医学是一种核医学.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 对前列腺特异性膜抗原 (PSMA) PET/CT扫描的吸收的准确细分和分类对于自动化前列腺癌中全身瘤负担评估至关重要.
• 目前的方法可能缺乏可靠的自动化分析所需的精度.

研究的目的:

• 开发和评估一个自动化的深度学习 (DL) 框架,用于对PSMA PET/CT扫描进行细分和分类.
• 提高病变识别和表征的准确性,以更好地确定瘤负担.

主要方法:

• 使用两个卷积神经网络 (CNN) 开发了一个基于DL的框架,用于细分和分类.
• 整合了先前的解剖学指导,以将DL框架集中在PSMA-avid病变上.
• 该框架在两个机构的193个[18F]DCFPyL PET/CT扫描上进行了训练和测试,分段和分类性能使用诸如Dice,IoU,精度,回忆,准确性和AUC等指标进行评估.

主要成果:

• 基于DL的细分,以解剖学先验为指导,显示出更好的性能,平均子为0.700 (内部) 和0.680 (外部).
• 多模式决策融合分类框架实现了高精度 (0.764内部,0.796外部) 和AUC (0.863内部,0.851外部) 在区分可疑和非可疑的焦点.
• 该框架在内部和外部测试集上表现出强的表现,超过单模和多模CNN.

结论:

• 在PSMA PET/CT上基于DL的病变细分通过拟议的解剖预先指导策略有效地促进.
• 开发的分类框架准确地区分了可疑的焦点和不怀疑癌症的焦点,为自动化瘤负担评估提供了宝贵的工具.