基于深度学习的64Cu-DOTA-rituximab的器官对量测仅通过一次扫描

科学领域:

• 核医学是一种核医学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的放射性药物剂量测量对于有效的放射性免疫结合物治疗至关重要.
• 传统的剂量测量需要多次时间点成像,增加患者的不便和医疗保健成本.

研究的目的:

• 开发一种深度学习模型,从早期扫描中生成延迟的64Cu-DOTA-rituximab PET图像.
• 评估使用生成图像用于器官智能剂量计的可行性.

主要方法:

• 利用基于生成对抗网络的配对图像对图像翻译 (I2I) 模型.
• 训练模型在早期 (1-2小时) 和延迟 (24-48小时) 的PET图像从六名患者.
• 使用L1和感知损失评估图像质量;使用OLINDA/EXM进行剂量测量.

主要成果:

• 当使用L1损失时,生成的延迟PET图像显示出良好的质量,包括瘤可视化.
• 从生成的图像中估计了器官智能的累积摄入量和同等剂量.
• 与身体清除相关的器官的剂量测量预测显示了相对不准确的情况.

结论:

• 配对的图像对图像翻译显示出对简化放射性免疫结合物的剂量测量有希望.
• 深度学习有可能减少与多时间点PET成像用于剂量计相关的负担.
• 为了在具有高清除率的器官中准确预测剂量,需要进一步细化.