追踪分离器:用于大脑PET双追踪器 (18F-FDG和氨基酸) 分离的深度学习模型

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 多复合PET成像可同时捕获多个放射追踪器数据,提高诊断准确度和患者舒适度.
• 深度学习,特别是基于变压器的模型,为推进医学成像分析提供了潜力.

研究的目的:

• 评估一种用于合成PET图像的新型无卷积变压器架构 (SwinUNETR).
• 从总和扫描中模拟同时使用双标记器成像 (例如,FDG和粉样标记器).

主要方法:

• 一组120名具有不同认知状态的患者接受了MRI和PET扫描 (18F-florbetapir/18F-flutemetamol和18F-FDG).
• 一个SwinUNETR模型被训练用于图像翻译,使用平均平方误差损失和5倍交叉验证.
• 合成图像在视觉和统计上与实际图像进行了比较,以确定相似性和诊断准确性.

主要成果:

• 合成图像与不同临床组的参考图像具有显著的相似性.
• 在使用合成图像进行粉样蛋白状况评估时,获得了高精度 (87.5%),灵敏度为95%,特异性为72.5%.
• 在实际和合成的PET图像之间观察到强烈的相关性,特别是FMM (R2=0.77).

结论:

• 在SwinUNETR模型有效合成现实的PET图像,模仿同时双追踪器扫描.
• 这种技术具有显著的潜力,可以简化诊断工作流程并改善神经系统疾病患者的治疗结果.
• 这项研究强调了先进的人工智能在医学成像中的力量,以提高诊断能力.