一个全自动化的,专家感知图像质量评估系统,用于全身[18F]FDG PET/CT

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射化学 放射化学是指辐射化学.

背景情况:

• 临床PET/CT图像质量对于诊断和研究至关重要.
• 目前的质量评估方法缺乏自动化,并且是特定于区域的.
• 需要对全身PET/CT质量进行自动化,可解释的评估.

研究的目的:

• 开发基于深度学习的专家感知图像质量评估 (IQA) 系统.
• 自动化对临床[18F]FDG PET/CT图像质量的评估.
• 为多中心IQA提供一个客观和标准化的工具.

主要方法:

• 718个全身[18F]FDG PET/CT扫描的回顾性分析.
• 自动切片选择和基于专家的主观评分.
• 在MANIQA框架内使用视觉转换器和注意力机制开发了深度学习模型.
• 对模型性能与专家评估 (斯皮尔曼的 ρ,ICC) 和ROC曲线进行统计分析.

主要成果:

• IQA模型实现了高精度:PET的0.832和CT切片水平质量的0.902.
• 与专家评分有很强的一致性:斯皮尔曼的 ρ 为 0.891 (PET) 和 0.624 (CT).
• 优异的评价者之间的可靠性:ICC为0.953 (PET) 和0.92 (CT).
• 对于PET IQA的高分辨性性能 (胸部和腹部区域AUC≥0.88).

结论:

• 自动化IQA系统提供了对临床图像质量的强大,客观的评估.
• 该系统显示出作为一个公正的,专家级工具的潜力.
• 能够实现标准化的多中心临床IQA.