使用多模式深度学习网络对PET图像进行CT-Less全身骨细分

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:

• 定子发射断层扫描 (PET) 对于骨癌的诊断和分期至关重要,因为它的高灵敏度.
• 精确的全身骨分段 (WBBS) 对于瘤分析至关重要,但目前的方法依赖于计算机断层扫描 (CT),由于患者的运动,它可能与PET图像不匹配.
• CT图像并不总是可用,这限制了WBBS应用.

研究的目的:

• 开发一种新型的多式融合网络 (MMF-Net),用于仅使用PET图像进行全身骨段自动化 (WBBS).
• 克服基于CT的WBBS的局限性,例如图像不匹配和CT数据不可用.
• 通过仅从PET数据提供可靠的WBBS来提高骨癌诊断和分期的准确性.

主要方法:

• 提出了一个多式联络融合网络 (MMF-Net),利用追踪器活动 ($\\lambda$-MLAA),衰减地图 ($\\mu$-MLAA) 和合成衰减地图 ($\\mu$-DL) 的PET图像.
• 在解码器中使用多模编码器结构进行模式特定的编码和多模融合模块来集成信息.
• 整合了修订的卷积单元,SE (挤压激发) 规范化和深度监督,以提高细分性能.

主要成果:

• 货币货币基金网 (MMF-Net) 仅使用PET成像数据实现了全身骨细分的中高精度.
• 在130个全身PET数据集上进行了广泛的比较和废弃实验,证明了拟议方法的有效性.
• 结果表明,PET-only WBBS可以成为基于CT的方法的可行替代方案.

结论:

• 拟议的MMF-Net仅使用PET成像实现了准确的WBBS,解决了当前CT依赖方法的局限性.
• 这种方法尽量减少患者暴露于CT扫描中的电离辐射.
• 仅PET的WBBS方法具有改善骨癌诊断,分期和治疗监测的潜力.