多中心PET图像协调使用生成对抗网络
David Haberl1, Clemens P Spielvogel1,2, Zewen Jiang1,2
1Division of Nuclear Medicine, Medical University of Vienna, Währinger Gürtel 18-20/E4L, A-1090, Vienna, Austria.
概括
循环一致的生成对抗网络 (GAN) 在各中心协调PET扫描,改善癌症研究中的放射性特征可重现性和预测性能. 这种方法提高了多中心研究的数据一致性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 多中心正子发射断层扫描 (PET) 研究由于扫描仪和协议的变化而面临放射性特征可重现性的挑战.
- 协调技术对于在不同机构中标准化PET数据至关重要,以实现可靠的分析.
- 生成对抗网络 (GAN) 为图像风格和纹理翻译提供了潜力,但它们在PET协调中的应用需要评估.
研究的目的:
- 开发和评估循环一致的生成对抗网络 (GAN) 协调,以改善多中心研究中的PET放射性特征可重现性和预测性能.
- 评估GAN协调对不同中心和扫描仪图像质量和特征一致性的影响.
主要方法:
- 开发了一种GAN协调技术,用于全身PET扫描风格和中心和扫描仪之间的纹理翻译.
- 在双中心肺癌队列中应用了GAN协调,以评估肝脏组织中的放射性特征可重现性.
- 利用来自三个中心的头癌队列来分析GAN协调对使用放射性特征的逻辑回归来预测远程转移的临床影响.
主要成果:
- 在协调后,图像质量保持不变,各个器官的结构相似度得分高于0.780.
- GAN协调显著提高了肝脏组织中放射性特征的位置间可重复性,不同特征类型的改善率从5%到23%.
- 在头癌队列中,GAN协调改善了远程转移的预测性能,将曲线下的面积 (AUC) 从0.68增加到0.73.
结论:
- 循环一致的GAN有效地执行PET扫描的图像协调,增强跨多中心研究的数据一致性.
- 基于GAN的协调显著提高了放射性特征的可重现性和临床结果模型的预测性能.
- 这种方法有望通过减少特定地点的变化和提高放射性分析的可靠性来推动多中心的PET研究.
