在PET中进行检测任务的深度学习人形模型观察者
Muhan Shao1, Darrin W Byrd2, Jhimli Mitra1
1GE HealthCare Technology and Innovation Center, Niskayuna, New York, USA.
Medical physics
|July 15, 2024
概括
深度学习模型观察员 (DLMOs) 在正电子发射断层扫描 (PET) 病变检测任务中显示出对人类观察员的改进预测. 结合CNN和Swin变压器编码器,进一步提高了DLMO的性能,而不是像CHO这样的传统方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在阳位子发射断层扫描 (PET) 中检测损伤对于瘤学至关重要.
- 人形模型观察者 (MO) 通过模仿人类观察者 (HO) 来评估基于任务的图像质量.
- 深度学习MOs (DLMOs),特别是CNN,正在出现各种成像模式,但它们在PET中的应用受到探索较少.
研究的目的:
- 评估DLMOs是否可以比传统的MO更好地预测PET损伤检测中的人类观察员表现.
- 通过使用具有现实的解剖变异的PET图像在两种替代性强制选择 (2AFC) 检测任务中评估DLMO.
主要方法:
- 开发了两个DLMO:一个基于CNN的DLMO和一个集成CNN和Swin变压器编码器的CNN-SwinTDLMO.
- 使用了带有和没有模拟病变的PET图像,并由八名人类观察员 (放射科医生和图像科学家) 提供标签.
- 在9倍交叉验证中,使用预测准确度和平均平方误差 (MSE) 等指标,与道化热点观察 (CHO) 和非预白匹配过器 (NPWMF) 进行了性能比较.
主要成果:
- 无论是CNN DLMO还是CNN-SwinT DLMO都在精度和MSE方面都超过了CHO和NPWMF.
- 在所有评估的模型观察者中,CNN-SwinT DLMO表现出最高的预测性能.
结论:
- 与传统的MO如CHO相比,DLMOs在PET损伤检测中提供了对人类观察员表现的优异预测.
- 将Swin变压器与CNN编码器集成,可以显著提高DLMO预测准确度,而不是仅使用CNN的方法.
