从FDG-PET/CT进行全身瘤细分:利用从组织智能预测之前的细分
Sambit Tarai1,2, Elin Lundström1, Nouman Ahmad1
1Radiology, Department of Surgical Sciences, Uppsala University, Uppsala, SE-75185, Sweden.
Heliyon
|January 13, 2025
概括
本研究引入了一种使用细分先验的自动化框架,以改善PET/CT扫描中的瘤检测. 这种新的方法提高了细分的准确性,有助于治疗计划和临床试验.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 精确的瘤检测和量化对于优化癌症治疗和评估治疗反应至关重要.
- 瘤PET/CT扫描手动分析是耗时的,需要专门的专业知识,容易出现人为错误,特别是对于小或低吸收瘤.
- 总瘤负担是临床试验中的一个有价值的生物标志物,需要精确的测量.
研究的目的:
- 开发和评估一个自动化的框架,以增强全身FDG-PET/CT成像中的瘤细分.
- 提高瘤检测和量化的准确性和效率,使用一种新的细分先行方法.
主要方法:
- 从PET扫描中生成的标准化吸收值 (SUV) 的组织智能,多通道,多角度预测.
- 根据CT Hounsfield值识别了组织,并将细分口罩反向投射到3D体积中,以创建细分之前的.
- 细分前期作为一个额外的输入通道集成到三个3D细分网络 (3D UNet,dynUNet,nnUNet) 中,以增强瘤细分.
主要成果:
- 与基线网络相比,当分割前与SUV和CT图像相结合时,拟议的框架显著改善了瘤细分的整体性能.
- 子系数显示,在各种癌症类型 (淋巴瘤,肺癌,黑色素瘤) 和细分网络中,细分精度显著增加.
- 对大多数测试配置 (p值<0.05) 进行细分精度的增强是统计学上显著的.
结论:
- 由组织智能SUV预测得出的开发的分段预测有效地揭示了改善瘤分段的关键信息.
- 该自动化框架显示出作为在瘤FDG-PET/CT.中高效准确量化瘤负担的有价值工具的巨大潜力.
- 这种方法可以帮助优化治疗规划和评估,以及简化临床试验中的生物标志物评估.
