自动深度学习对心脏炎症FDG PET进行细分

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 氧葡萄糖正子发射断层扫描 (FDG PET) 对于诊断心脏沙丘病至关重要.
• 用于FDG PET的手动图像处理,包括心肌细分,是耗时的.
• 开发了一个3D U-Net深度学习 (DL) 算法,用于自动心肌细分.

研究的目的:

• 开发和评估一个DL算法,用于心脏 Sarcoidosis FDG PET.心脏瘤的自动心肌细分.
• 将DL方法与当前的自动化细分技术进行比较.
• 评估DL细分对处理时间和临床可读性的影响.

主要方法:

• 在316名患者的FDG PET扫描上训练了一个3D U-Net DL模型.
• 在50名患者的子集上,对手动细分和当前的自动化方法进行了对细分的验证.
• 分析了临床可读性,左心室位移和角度,SUVmax相关性和处理时间.

主要成果:

• 与标准方法相比,DL细分在90%以上的案例中改善了可读性得分.
• DL细分性能与训练有素的技术人员相当,表现优于标准细分.
• 使用DL细分作为初始配置,大大减少了手动细分处理时间.

结论:

• 一个基于DL的新型自动细分工具显著提高了心脏 Sarcoidosis FDG PET处理.
• 该工具提供优化的图像显示,无需用户输入.
• 它为手动细分任务的处理时间提供了实质性的改进.