在动态[¹⁸F]FDG全身PET中基于Patlak的参数成像的自我监督的神经网络

科学领域:

• 核医学就是核医学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 位子发射断层扫描 (PET) 成像对于代谢评估至关重要.
• [¹⁸F]FDG PET是广泛使用的,但完全动态扫描是耗时的.
• 精确的动力参数 (K_i) 成像需要大量的数据,限制了临床效用.

研究的目的:

• 开发一个自我监督的神经网络算法 (SN-Patlak) 来从缩短的FDG全身PET扫描生成可靠的K_i参数图像.
• 通过减少扫描时间,使全身PET的临床应用成为可能.
• 通过标准方法验证算法的性能.

主要方法:

• 提出了SN-Patlak算法,将神经网络与Patlak图形分析集成在一起.
• 利用帕特拉克图的适配错误作为神经网络的损失函数.
• 采用基于人口的"规范化时间"来调整帕特拉克图表以缩短扫描 (注射后20-50分钟).

主要成果:

• 不管动态PET扫描的持续时间如何,SN-Patlak生成了强大的K_i图像.
• 来自10分钟SN-Patlak扫描 (50-60分钟注射后) 的K图像与标准的40分钟Patlak结果 (20-60分钟注射后) 密切匹配.
• 量化比较显示了很高的一致性 (NMSE = 0.15 ± 0.03,皮尔森的r = 0.93 ± 0.01).

结论:

• SN-Patlak算法为参数成像提供了一个强大而可靠的方法.
• 它可以从显著缩短的动态[¹⁸F]FDG全身PET扫描 (短短10分钟) 中准确量化.
• 这一进步有助于全身PET成像的临床翻译.