使用卷积神经网络从CT扫描中预测棕色脂肪组织的标准化吸收值

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 放射学 放射学是一门学科.

背景情况:

• 标准棕色脂肪组织 (BAT) 识别使用[F]-化氧糖 (FDG) PET/CT,这是昂贵的,涉及辐射暴露.
• 这限制了它对大规模人口研究的实用性.
• 以前的研究表明,BAT的CT霍恩斯菲尔德单位 (HU) 和FDG吸收之间存在相关性,这表明计算预测的潜力.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型,用于预测FDG在BAT中的吸收,仅使用未增强的CT扫描.
• 与传统的CT值相比,评估基于CNN的BAT细分的准确性.

主要方法:

• 利用了Attention U-Net架构来训练来自四个不同的队列的数据集上的CNN.
• 专注于可能含有BAT的限制区域的预测.
• 员工预测的[¹⁸F]-FDG吸收值用于BAT细分.

主要成果:

• 与传统的CT值方法相比,在BAT细分中获得了23%至40%的更高准确性.
• 来自CNN细分的BAT量区分了具有和没有活性BAT的对象,曲线下的面积 (AUC) 为0.8.8.
• 在同样的区别下,CT值产生了0.6的AUC.

结论:

• 从CT扫描中,CNN可以有效地预测FDG在BAT中的吸收.
• 与PET/CT相比,这种方法为大规模成像研究提供了更有效和更具成本效益的替代方案.
• 基于CNN的分析增强了仅使用CT数据识别和量化活性BAT的能力.