基于深度学习的预对照CT分片用于无MRI的大脑粉样蛋白PET量化

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 放射学 放射学是一门学科.

背景情况:

• 在18F-FBB PET/CT中精确量化粉样蛋白对于诊断和监测神经退行性疾病至关重要.
• 高分辨率的MRI通常需要精确的脑区域分片,这并不总是可用或可行的.
• 开发用于大脑细分的替代方法,使用更广泛的可用成像方式,如CT,是必不可少的.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于使用来自PET/CT扫描的CT数据进行大脑区域分片.
• 为了在不依赖于高分辨率MRI的情况下,在18F-FBB PET/CT中准确量化粉样蛋白.
• 评估基于CT的DL分片和传统的基于MRI的粉样蛋白量化方法之间的协议.

主要方法:

• 使用了226人 (PET/CT和MRI对) 的回顾性数据集,分为培训/验证 (60%) 和测试 (40%) 集.
• 三个UNet模型被独立训练用于CT数据上的多平面大脑分片,随后组合.
• 用标准化吸收值比率 (SUVR) 量化了46个感兴趣的卷 (VOI) 的氨基酸负载,并使用Dice相似系数,线性回归和类内相关系数进行了比较.

主要成果:

• 基于DL的CT分片实现了所有46个VOI的平均Dice相似度系数为0.80,在亚皮层 (0.83) 的得分较高,在皮层/边缘区域 (0.72) 的得分较低.
• 基于CT的DL和基于MRI的方法之间的区域和全球SUVR的比较显示出出色的一致性 (R2 0.976,ICC 0.988).
• 这两种方法都显示了全球SUVR的持续增加,临床痴呆评分 (CDR) 的得分增加,证实了该模型的临床相关性.

结论:

• 使用CT数据开发的用于大脑分片的深度学习模型与基于MRI的方法有很强的一致性.
• 这种基于CT的方法为18F-FBB PET/CT中精确量化粉样蛋白提供了可行的替代方案,减少了对并发MRI的需求.
• 这些发现支持DL驱动的CT分片的潜力,以提高神经退行性疾病成像的可访问性和效率.