基于多模式深度学习的Ga-DOTA-FAPI-04 PET极地图生成:在心肌梗塞后检测反应性纤维化后的潜在价值

科学领域:

• 核医学就是核医学.
• 心血管成像 - 心血管成像
• 人工智能在医学中的应用

背景情况:

• 从[⁶⁸Ga]Ga-DOTA-FAPI-04 PET图像生成准确的极地图 (PM) 是具有挑战性的,因为现有的自动化方法的局限性.
• 在心肌梗塞后评估心肌纤维化对于理解心脏功能和预后至关重要.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于从[⁶⁸Ga]Ga-DOTA-FAPI-04 PET图像中准确生成PM.
• 评估这些PM在检测心肌梗塞后反应性纤维化和它们与心脏功能相关性的潜力.

主要方法:

• 开发了一种深度学习方法,将多种模式的Ga-DOTA-FAPI-04 PET/MR图像融合在一起,以弥补心脏结构信息的丢失.
• 133个患者数据集被用于培训和评估,其中26个接受了纵向分析.

主要成果:

• 拟议的深度学习方法的准确性与手动生成相美,并且对于Ga-DOTA-FAPI-04 PET PMs来说,比商业软件 (PMOD) 优越.
• 在PM衍生的纤维化指数和心脏功能参数变化 (LVESV%,LVEDV%,LVEF%) 之间发现了显著的相关性,p<0.001.

结论:

• 深度学习产生的Ga-DOTA-FAPI-04 PET PMs在临床上是可行的和准确的.
• 这些PM在检测反应性心肌纤维化和评估其与心脏功能的关系方面表现有前途,可能增强心肌梗塞的临床诊断.