基于深度神经网络的自动化兴趣区域设置方法的开发,用于大脑 perfusion 单光子发射计算机断层扫描量化方法

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 区域脑血流量 (rCBF) 的定量测量对于诊断各种神经疾病至关重要.
• 现有的方法,如简单的非侵入性显微圈 (SIMS) 和改进的大脑吸收率 (IBUR),依赖于准确的输入函数确定.
• 准确的输入功能取决于精确识别肺动脉 (PA) 和上升性大动脉 (AAo) 的兴趣区域 (ROI) 从动态胸部图像.

研究的目的:

• 开发和验证一种基于深度卷积神经网络 (DCNN) 的新方法,用于自动设置PA和AAoROI.
• 为了提高rCBF量化方法 (SIMS和IBUR) 的输入函数决定的准确性,可重复性和可重复性.

主要方法:

• 一个U-Net架构,一种DCNN,被用来对PA和AAo候选区域进行细分.
• 该DCNN-ROI方法在290名患者 (I-IMP) 和108名患者 (Tc-ECD) 的动态胸部图像上进行了训练和测试.
• 输入函数通过将DCNN识别的ROI的时间活动曲线的曲线下的面积 (AUC) 集成成计算,并与手动ROI方法进行比较.

主要成果:

• 与手动方法相比,DCNN-ROI方法在定位PA和AAoROI方面实现了100%的巧合.
• 从DCNN-ROI和手动ROI方法获得的AUC计数之间观察到强烈的相关性.
• 开发的DCNN-ROI方法表现出与手动的ROI设置来确定输入函数的准确性相似.

结论:

• 一种新的DCNN-ROI方法已成功开发,用于自动化PA和AAoROI设置.
• 这种自动化方法提高了SIMS和IBUR rCBF量化技术的输入函数确定精度和可靠性.
• 在定量SPECT成像中,DCNN-ROI方法为手动ROI设置提供了可重现和准确的替代方案.