基于深度学习的全身PSMA PET/CT减弱校正使用Pix-2-Pix GAN

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 放射学 放射学是一门学科.

背景情况:

• 连续的PET/CT扫描对于瘤病人的随访至关重要.
• 辐射剂量限制了连续PET/CT研究的频率.
• 低剂量CT扫描用于PET/CT中减弱校正.

研究的目的:

• 开发一种人工智能工具,从未经减弱校正的PET (NAC-PET) 图像中生成减弱校正的PET (AC-PET) 图像.
• 为了减少接受治疗后续治疗的瘤病人的低剂量CT扫描的需要.
• 为了保持人工智能生成的AC-PET图像的定量准确性和图像质量.

主要方法:

• 开发了一个2D Pix-2-Pix生成对抗网络 (GAN) 深度学习模型.
• 来自302名前列腺癌患者的配对AC-PET和NAC-PET图像用于培训,验证和测试.
• 采用了两个规范化策略 (基于SUV和基于SUV的Nyul).
• 对于SUV指标,使用NMSE,MAE,SSIM,PSNR和ICC进行了性能评估.

主要成果:

• 人工智能模型在测试队列中实现了13.26%的NMSE,3.59%的MAE,0.891的SSIM和26.82的PSNR的中位性能指标.
• 在原始和人工智能生成的SUVmax和SUVmean之间观察到高相关性 (ICC 0.88-0.89).
• 病变位置,密度和吸收等因素影响了生成的SUV指标的相对误差 (p < 0.05).

结论:

• 与原始图像相比,Pix-2-Pix GAN模型有效地生成了与SUV指标高相关性的AC-PET图像.
• 人工智能生成的PET图像显示了临床使用的潜力.
• 这种人工智能工具可以减少对CT扫描的依赖,以纠正衰减,同时保持定量标记和图像质量.