一个端到端的深度学习管道,以获得输入血液的部分体积校正,用于自动化的参数大脑PET映射

科学领域:

• 神经成像是一种神经成像.
• 医学物理 医学物理
• 人工智能的人工智能

背景情况:

• 动态2[18F]-2-脱氧-D-葡萄糖正子发射断层扫描 (dFDG-PET) 对于脑成像至关重要,但受到入侵性血液采样计算输入功能的限制.
• 准确的患者特异性输血功能对于定量dFDG-PET分析至关重要.

研究的目的:

• 开发一种非侵入性深度学习管道,用于计算dFDG-PET脑成像中的部分体积 (PV) 校正的模型校正血液输入函数 (MCIF).
• 消除在dFDG-PET定量分析中侵入性动脉血液采样的需要.

主要方法:

• 一个端到端的管道,使用3D U-Net (ICA-net) 进行内动脉 (ICA) 细分,并使用一次性神经网络 (RNN) (MCIF-net) 进行带有PV校正的MCIF导出.
• 这些模型在50个人类大脑FDG PET扫描上使用5倍交叉验证进行了训练和验证.

主要成果:

• 对于ICA细分,ICA-net平均获得了82.18%的Dice分数和68.54%的Intersection over Union分数.
• 在MCIF计算中,MCIF-net显示了最小的根平均平方误差为0.0052.
• 该管道准确地定位了发作区域,导致了成功的临床治疗和无的结果.

结论:

• ICA-net和MCIF-net深度学习管道有效地自动化了MCIF计算与PV校正,推进了非侵入性神经成像.
• 这种非侵入性方法显著提高了dFDG-PET用于脑成像和患者管理的临床实用性.