使用基于深度学习的CT-to-MR翻译在PET/CT中自动量化脑PET:一个可行性研究

科学领域:

• 神经成像是一种神经成像.
• 医学物理 医学物理
• 人工智能的人工智能

背景情况:

• 大脑PET/CT扫描的定量分析通常需要MRI衍生的感兴趣区域 (ROI).
• 挑战来自于经常无法获得对联PET/CT和MRI扫描.
• 错位问题发生在PET/CT和MRI采集时间显著不同时.

研究的目的:

• 开发一个深度学习框架,将PET/CT扫描中的CT图像转换为合成MR图像 (MR_SYN).
• 为了使大脑PET/CT图像的自动定量区域分析使用MR_SYN衍生细分.
• 为了克服与MRI扫描缺失或时间不匹配相关的局限性.

主要方法:

• 一项回顾性研究包括139名受试者,他们接受了[¹⁸F]FBB PET/CT和T1加权的MRI.
• 一个类似于U-Net的模型被训练为CT-to-MR_SYN图像翻译.
• 一个单独的模型对MR_SYN进行了细分,分为95个区域,用于定量标准化吸收值比率 (SUVr) 的计算.
• 评估涉及MR_SYN质量的结构相似度指数 (SSIM) 和细分精度的子相似度系数 (DSC).

主要成果:

• 合成MR图像 (MR_SYN) 与地面真相MR (MR_GT) 相比,实现了0.974 ± 0.005的高平均SSIM.
• 基于MR_SYN的细分结果是95个地区的平均DSC为0.733.
• 从MR_SYN获得的定量SUVr测量结果与MR_GT相比没有统计学意义,除了前皮.

结论:

• 通过使用合成MR图像在PET/CT中进行自动化区域大脑分析,成功展示了深度学习框架.
• 这种方法为无法接受MRI扫描的患者提供了定量PET/CT分析的有价值替代方案.
• 该框架在MRI可用性有限或不存在的场景中促进了强大的定量成像.