自动检测和划分儿科质瘤的组合[¹⁸F]FET PET和MRI

科学领域:

• 神经瘤学神经瘤学
• 医学成像医学成像
• 医学中的人工智能

背景情况:

• 儿童大脑和中枢神经系统 (CNS) 瘤是一个重大的健康问题.
• 用放射性标记的氨基酸,如O-(2-[¹⁸F]乙烯) -l-氨酸 ([¹⁸F]FET PET) 的正子发射断层扫描 (PET) 成像,为诊断和管理这些瘤提供了宝贵的见解.
• 手动瘤划定是耗时的,容易变化.

研究的目的:

• 开发和评估一种深度学习方法,用于使用FET PET扫描自动划分儿科中枢神经系统瘤.
• 为了比较自动化方法与手动划分的性能.
• 评估从自动化划分中得出的临床指标的准确性.

主要方法:

• 一个人工神经网络 (ANN) 经过训练,使用了来自66名儿科患者的109个FET PET和MRI扫描.
• 根据划分精度 (子相似系数) 和临床指标精度 (生物瘤体积,瘤与背景比率) 评估了ANN的性能.
• 与手动划分的参考标准进行了比较.

主要成果:

• 该ANN实现了高瘤重叠,中位数的子相似系数为0.93.
• 由ANN提取的临床指标与手册参考高度相关 (r ≥0.99).
• 在空间位置和临床指标的纵向变化方面,ANN与手动方法有很好的一致性.

结论:

• 拟议的ANN在[¹⁸F]FET PET扫描上提供了小儿中枢神经系统瘤的准确可靠的自动划分.
• 这种深度学习方法可以作为决策辅助,减少读者之间的差异性,改善纵向评估.
• 该方法有可能增强儿科中枢神经系统瘤的临床常规和多中心研究.