多巴氨基PET对SPECT域的适应:一个循环GAN翻译方法

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:

• 多巴胺载体成像对于诊断帕金森病 (PD) 和非典型帕金森综合征 (APS) 至关重要.
• 在成像数据的可用性方面存在差异,亚洲流行的是[11C]CFT PET,欧洲流行的是[123I]FP-CIT SPECT.
• 有限的APS数据阻碍了多中心研究和AI开发.

研究的目的:

• 开发一种基于深度学习的方法,用于将[11C]CFT PET图像转换为[123I]FP-CIT SPECT图像.
• 通过克服APS诊断中的数据短缺,促进多中心研究.
• 推进人工智能 (AI) 在神经退行性疾病诊断中的应用.

主要方法:

• 在[11C]CFT PET和[123I]FP-CIT SPECT图像的大数据集上训练了一个CycleGAN模型.
• 该模型从真实[11C]CFT PET测试数据中生成合成[123I]FP-CIT SPECT图像.
• 量化指标 (弗雷切开始距离) 和视觉评估评估了合成图像的质量和诊断实用性.

主要成果:

• 合成的SPECT图像与真实的SPECT图像具有很高的相似性.
• 在合成SPECT上训练的分类模型在真实SPECT数据上实现了高灵敏度 (97.2%) 和特异性 (90.0%).
• 视觉评估显示,合成的SPECT图像与真实图像是不可区分的,保留了疾病特定的信息.

结论:

• 这个CycleGAN模型成功地将[11C]CFT PET转换为[123I]FP-CIT SPECT成像.
• 这种交叉模式的合成是可行的,可以提高AI分类准确性PD和APS诊断.
• 该方法支持多中心研究,并解决了诊断帕金森综合征的数据限制.