深度学习对低剂量动态PET的动态建模的影响:应用于单和双追踪器成像协议

科学领域:

• 核医学就是核医学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 长轴视野PET扫描仪为多器官标记物分布提供高灵敏度.
• 低剂量动态协议和双追踪器成像已启用,但可能会损害数据质量和动力参数准确性.
• 在PET中的参数成像在基于voxel的建模中受到噪声放大挑战.

研究的目的:

• 探索深度学习无声化 (DL-DN) 的潜力,以提高低剂量动态正子辐射断层扫描 (PET) 的定量准确性.
• 评估DL-DN对动力参数估计和参数成像质量的影响.
• 评估DL-DN在单位和双位标志物动态PET研究中的有效性.

主要方法:

• 在静态[18F]FDG PET图像上训练了一种深度学习 (DL) 框架,其子样本为低数.
• 经过训练的DL模型被应用到[18F]FDG和[18F]FGln PET研究中的动态图像.
• 量化评估使用隔间建模和基于voxel的图形分析,用于各种注射剂量的Ki和Vt等参数.

主要成果:

• DL-DN 始终提高了图像质量,提高了时间活动曲线 (TAC) 的一致性,并降低了动力参数 (Ki,Vt) 的偏差和变化,低至 40 MBq 剂量.
• 在Vt图像中DL-DN保留了瘤异质性,并在Ki图像中划分了高流量区域.
• 在一项双标志物研究中,DL-DN在非常低剂量 (4MBq) 的乳腺病变中显示[18F]FGln的精度降低.

结论:

• 将静态PET图像训练的DL-DN应用于动态PET研究,可显著降低所需剂量,同时保持精确的动力参数测量.
• DL-DN提高了[18F]FDG和[18F]FGln的参数图像质量,显示了在降低剂量下改善动态PET量化的前景.
• 这种方法对新型双标志物动态PET研究尤为有希望.