儿童霍奇金淋巴瘤系列PET/CT图像的自动定量使用纵向感知细分网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 儿科霍奇金淋巴瘤需要使用连续PET/CT扫描来准确评估治疗反应.
• 量化PET指标对于评估治疗疗效至关重要,但可能会受到变化.
• 对成像数据的纵向分析有可能提高疾病监测的准确性.

研究的目的:

• 开发和验证一个纵向感知细分网络 (LAS-Net) 用于量化儿科霍奇金淋巴瘤的连续PET/CT图像.
• 与医生测量相比,评估LAS-Net在病变细分和定量PET指标提取方面的性能.
• 评估模型利用纵向信息进行改进量化的能力.

主要方法:

• 使用基线 (PET1) 和临时 (PET2) PET/CT扫描对297名患有霍奇金淋巴瘤的儿科患者进行回顾性分析.
• 开发LAS-Net,这是一个深度学习模型,包含纵向交叉注意力,用于分析串行成像数据.
• 使用Dice系数评估细分性能,使用F1分数检测病变;量化PET指标 (MTV,TLG,qPET,∆SUVmax) 并使用斯皮尔曼相关性与医生衍生测量进行比较.

主要成果:

• 在中间扫描中,LAS-Net实现了基线细分的平均Dice分数为0.77和F1分数为0.61的残留淋巴瘤检测,超过了对比方法.
• 在LAS-Net的研究中,LAS-Net与医生对定量PET指标的测量有很强的相关性:qPET (ρ=0.78),∆SUVmax (ρ=0.80),MTV (ρ=0.93) 和TLG (ρ=0.96).
• 在外部测试队列中保持了高量的量化性能,表明了可概括性.

结论:

• 在儿童霍奇金淋巴瘤的连续扫描中,LAS-Net显著改善了PET指标的量化.
• 该模型的纵向意识增强了对多时间点成像数据集的分析,以改进治疗评估.
• 这种深度学习方法为儿童瘤成像中的客观和准确评估提供了有价值的工具.