针对小儿霍奇金淋巴瘤患者的连续PET/CT图像的自动定量使用纵向感知细分网络

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:

• 使用连续PET/CT扫描评估儿科霍奇金淋巴瘤的残留疾病是具有挑战性的,因为微妙的变化.
• 现有的方法在中间扫描中难以细致地检测最小残留疾病.

研究的目的:

• 开发一个纵向感知细分网络 (LAS-Net) 来准确量化儿科霍奇金淋巴瘤中的串行PET/CT图像.
• 改进检测和定量残留疾病在中期治疗中的PET扫描.

主要方法:

• 从临床试验中对297名小儿霍奇金淋巴瘤患者的基线 (PET1) 和临时 (PET2) PET/CT扫描进行了回顾性分析.
• 开发LAS-Net,结合纵向交叉注意力来整合来自串行扫描的信息.
• 使用Dice系数进行基线细分和F1分数用于临时扫描检测的评估,以及对比分析 (Spearman's ρ) 以对比医生测量的定量指标.

主要成果:

• 在PET2中,LAS-Net的残留淋巴瘤检测F1得分为0.606,超过了对比方法 (P<0.01).
• 基线PET1细分的平均子得分为0.772.
• LAS-Net的定量PET指标 (qPET, ΔSUVmax, MTV, TLG) 与医生测量结果有很强的相关性 (斯皮尔曼的 ρ: 0.780.96).
• 在外部测试队列中保持了高性能.

结论:

• LAS-Net显著改善了对儿童霍奇金淋巴瘤的连续扫描中的PET指标的量化.
• 该模型的纵向意识提高了对多个时间点成像数据集的评估.
• 这种方法提供了一种更精确的方法来评估治疗反应和残留疾病.