在动态[¹⁸F]FDG PET成像小鼠中的深度学习衍生输入函数.

科学领域:

• 核医学是一种核医学.
• 生物医学成像学 生物医学成像学
• 机器学习在医学研究中的应用

背景情况:

• 动态正子发射断层扫描 (PET) 和动态建模对于小动物的标记器开发至关重要.
• 通过动脉血液采样精确的输入功能确定是必不可少的,但在小鼠中具有侵入性和终极性,排除了纵向研究.

研究的目的:

• 开发和验证一种基于深度学习的非侵入性预测模型 (DLIF),用于直接从PET数据中估计输入函数.
• 为了使小鼠在没有动脉通道的情况下进行定量和纵向PET成像研究.

主要方法:

• 一个深度学习模型 (DLIF) 在68个[18F]氧葡萄糖小鼠PET扫描中使用图像衍生目标进行了训练和交叉验证.
• 经过训练的DLIF模型被评估在一个外部数据集上,包括8个小鼠扫描和连续动脉血液采样以测量输入功能的数据集.

主要成果:

• DLIF模型准确地预测了与图像衍生目标相比的输入函数.
• 使用DLIF衍生输入函数的Patlak建模显示,与图像衍生输入函数的结果有很强的相关性.
• 在外部数据集上观察到稍大的差异,可能是由于实验设置变化.

结论:

• 非侵入性DLIF预测方法为小动物[18F]FDG PET成像提供了动脉血液采样的可行替代方案.
• 进一步验证可以将DLIF确立为在小鼠中进行完全定量和纵向PET研究的工具,克服外科手术的局限性.