完全自动化的特定区域的人类感知等效图像质量评估:适用于18个F-FDG PET扫描

科学领域:

• 核医学成像技术 核医学成像技术
• 医疗成像中的人工智能
• 图像质量评估 图像质量评估

背景情况:

• 全身18F-FDG PET扫描需要可靠的图像质量评估 (IQA) 来进行准确的诊断和AI模型开发.
• 目前的IQA方法可能是主观的,耗时的.
• 自动化IQA可以提高临床实践和研究的效率和一致性.

研究的目的:

• 开发和验证一个完全自动化的框架,用于全身18F-FDGPET扫描的区域IQA.
• 为了能够立即识别低质量的扫描,以便进行潜在的重新扫描或重建.
• 提高用于训练AI驱动的18F-FDG PET分析模型的数据集的质量.

主要方法:

• 两位医生使用5分利克特尺度对5个身体区域的174个18F-FDGPET扫描进行了评分.
• 基于医生分数,建立了一个二元分类 (低质量与高质量).
• 使用CT图像上的深度学习 (DL) 模型开发了一个完全自动化的框架,用于区域识别,轮提取和PET区域分类.
• 无论是DL还是放射学-ML方法都被调查用于分类,训练和评估医生得分.

主要成果:

• 自动化框架在所有评估的身体区域实现了高性能,曲线下的面积 (AUC) 高达0.97.
• 当模型在质量评分上接受培训时,性能最高,读者内可重复性更高.
• 与放射学-ML模型相比,深度学习模型显示了整体改善趋势,尽管两种方法之间没有发现统计学上显著的差异.

结论:

• 一个完全自动化的框架,相当于人类的感知18F-FDGPET图像的区域智商AQA已经成功开发.
• 该研究强调了为IQA开发特定区域模型的重要性.
• 多位专家基于共识的数据注释对于强大的IQA研究至关重要.