深度学习图像增强算法在PET/CT成像:一个幻影和肉瘤患者的放射性评估

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 阳位子发射断层扫描/计算机断层扫描 (PET/CT) 图像提供了用于瘤特征的定量数据.
• 深度学习 (DL) 技术越来越多地用于拒绝PET数据,需要严格的临床评估.
• 使用放射性特征的定量图像评估可以进一步评估DL算法.

研究的目的:

• 为了比较两个制造商的深度学习 (DL) 图像增强算法与黄金标准的重建技术.
• 评估DL算法的性能,使用幻影和肉瘤患者数据中的放射性特征.
• 评估DL在协调放射学方面的潜力,以及对DL算法的定量评估.

主要方法:

• 使用了GE Discovery 690/710扫描仪的FDG PET/CT肉瘤患者的回顾性[18F]数据.
• 采用模块化异质成像幻影,用于幻影研究重复采集.
• 将DL增强图像与黄金标准重建和算法输入图像进行比较,使用93个国际生物标志物标准化倡议 (IBSI) 放射性特征.

主要成果:

• 一小部分放射性特征 (4.0%幻影,9.7%患者) 在DL增强和黄金标准图像之间存在显著差异.
• 在DL增强和算法输入图像 (29.8%幻影,43.0%患者) 之间观察到较大的差异.
• 超过80%的放射性特征在比较DL增强图像和黄金标准图像时没有显著差异.

结论:

• 用DL增强的PET/CT图像与金标准重建非常相似,这是放射性特征分析所证明的.
• DL算法展示了在不同成像协议之间协调放射性数据的潜力.
• 放射性特征对于在PET/CT中基于DL的图像增强的定量评估是有效的.