通过深度学习从低剂量数据中获得3D全剂量脑-PET体积恢复:定量评估和临床评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射化学 放射化学是指辐射化学.

背景情况:

• 低剂量 (LD) 阳离子发射断层扫描 (PET) 成像通常会导致图像质量和诊断效率降低.
• 减少放射性追踪剂量是PET成像的一个关键趋势,以尽量减少患者暴露和成本.

研究的目的:

• 开发和评估一种深度学习 (DL) 方法,用于从LD数据中恢复诊断质量的PET图像.
• 评估在脑病变检测和阿尔茨海默病诊断中拟议的DL方法的诊断性能.

主要方法:

• 一项回顾性研究,涉及456名参与者,使用3个PET扫描仪和2个标记器.
• 空间意识降噪网络 (SANR) 的开发,这是一个DL方法,可以从LD数据中重建全剂量 (FD) PET体积.
• 将SANR性能与二维DL方法进行比较,并由核医学医生对图像质量和诊断准确性的评估.

主要成果:

• 与2D DL方法相比,SANR方法在图像质量指标上显示了统计学上显著的改进.
• SANR实现了95.3%的病变检测准确度,与98.4%的参考FD PET准确度非常接近.
• 参考FD PET和SANR恢复的FD PET体积在阿尔茨海默病诊断中显示出相同的准确性.

结论:

• 拟议的SANR深度学习方法有效地从降低的放射性追踪剂量中恢复诊断质量的PET图像.
• 由SANR拒绝的LD PET显示了对脑损伤检测和阿尔茨海默病诊断的诊断性能非劣.
• 这种方法增强了低剂量PET成像的实用性,支持未来的临床工作流程和患者管理,特别是那些需要多次扫描的人.