一种改进的基于帕特拉克的K_i参数成像方法用于临床¹⁸F-FDG全身PET

科学领域:

• 核医学是一种核医学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 定量成像对于分子成像和核医学至关重要.
• 生成可靠的动力参数 (Ki) 图像通常需要长时间的扫描,限制了临床适用性.
• 有限的计算和数据资源对先进的图像分析构成挑战.

研究的目的:

• 开发一种可靠的方法,从18F-FDG全身PET扫描中生成Ki参数图像.
• 为了使用Patlak和浅层机器学习算法实现临床上可接受的扫描持续时间.
• 为了解决参数成像中的计算和数据资源的局限性.

主要方法:

• 提出了Patlak-KXD算法,用于从动态PET数据中快速生成Ki图像.
• 利用K-means创建平衡的训练数据集和XGBoost学习标准化摄入比率 (SUR) 时间曲线和基于Patlak的Ki值之间的映射.
• 通过各种缩短的扫描时间,将Patlak-KXD与传统的Patlak方法进行了比较,并评估了XGBoost在静态输入和动态输入方面的性能.

主要成果:

• 帕特拉克-KXD从4分钟的扫描生成了可比的Ki图像,而传统的帕特拉克使用40分钟 (NMSE=0.13,r=0.94).
• 帕特拉克-KXD方法在不同的扫描持续时间中表现出稳健性.
• 与帕特拉克-KXS相比,帕特拉克-KXD的KI图像在扫描时间超过10分钟时显示出更高的质量.

结论:

• 浅层机器学习能够从简短的动态18F-FDG全身PET扫描 (短短4分钟) 快速生成可靠的Ki图像.
• 开发的全身Ki参数成像方法显示了临床核医学和分子成像的巨大潜力.
• 这种方法克服了对定量PET成像的扫描时间和计算资源的限制.