使用卷积神经网络在多巴胺输送器SPECT中完全自动对条纹子区域进行分类分析

科学领域:

• 核医学是一种核医学.
• 放射性药物成像技术 放射性药物成像技术
• 医疗成像中的人工智能

背景情况:

• 使用SPECT与[123I]FP-CIT进行多巴胺载体 (DAT) 成像对于诊断和监测神经退行性疾病至关重要.
• 精确量化[123I]FP-CIT吸收在条纹子区域是必不可少的,但可能是由于跨扫描器的变化具有挑战性.
• 开发自动化,扫描仪独立的方法对于一致和可靠的DAT SPECT分析至关重要.

研究的目的:

• 开发和验证一个完全自动的,扫描仪独立的5级分类系统,用于[123I]FP-CIT在条形状子区域的吸收.
• 评估卷积神经网络 (CNN) 模型在对不同数据集和扫描仪的DAT SPECT扫描进行分类时的性能.

主要方法:

• 在3500个[123I]FP-CIT SPECT扫描中训练了一个卷积神经网络 (CNN),来自各种数据集 (内部和外部).
• 利用自动生成的参考标准标签,这些标签来自绑定比率直方图的高斯混合模型.
• 评估了CNN在独立的相同分布 (IID) 和分布外 (OOD) 测试数据集上的表现,评估了区域和全球分类准确性.

主要成果:

• 该CNN实现了高精度的5级分类[123I]FP-CIT吸收在尾状和状 (80.1%/78.0%IID,78.1%/76.5%OOD).
• 在54.3% (IID) 和52.6% (OOD) 的病例中,为所有四个区域分区域实现了同时准确的5级预测.
• 与专家阅读相比,自动衍生出的全球二进制分数显示出非常好的准确性 (97.4% IID, 96.2% OOD) 以将扫描分类为正常或减少.

结论:

• 一个基于CNN的模型可以实现可行且准确的自动,扫描仪独立的5级分类,在条纹子区域中对[123I]FP-CIT吸收进行分类.
• 开发的方法显示出临床上有用的准确性,可能提高DAT SPECT分析的标准化和效率.
• 这种自动化方法解决了扫描仪的变异性,为临床诊断和运动障碍研究提供了强大的工具.