肝细胞癌18F-FDG PET/CT动力参数估计基于优势演员-临界算法
Jianfeng He1, Siming Li1, Yiwei Xiong1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Yunnan Key Laboratory of Artificial Intelligence, Kunming, Yunnan, China.
Medical physics
|April 23, 2025
概括
优势演员-关键 (A2C) 算法使用PET/CT精确估计肝细胞癌 (HCC) 中的18F-FDG动态参数. 与传统技术相比,这种深度强化学习方法提供了更好的准确性和更好的时间活动曲线匹配.
科学领域:
- 核医学就是核医学.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 动态的18F-氧葡萄糖 (18F-FDG) PET/CT运动参数有助于表征肝细胞癌 (HCC).
- 深度强化学习 (DRL) 显示了在医学成像中增强动力参数估计的潜力.
研究的目的:
- 预先评估优势行为者-关键 (A2C) 算法,一种DRL方法,用于估计HCC患者的18F-FDG PET/CT动态参数.
- 评估A2C算法的使用神经网络优化参数估计的能力.
主要方法:
- 从14个肝脏组织和17个HCC瘤中采集18F-FDGPET数据的前景采集,使用简化采集协议.
- 应用A2C算法与可逆双输入,三隔间模型用于动力参数估计.
- 将A2C结果与传统的非线性最小平方 (NLLS) 算法进行比较,通过时间活动曲线 (TAC) 的根平均平方误差 (RMSE) 评估拟合误差.
主要成果:
- 使用A2C (p < 0.05) 检测到HCC和正常肝脏组织之间动力参数 (K1,k2,k3,k4,fa,vb) 的显著差异.
- 在k3和vb (p<0.05) 方面,A2C显示出优于NLLS的诊断性能 (p<0.05).
- 与NLLS相比,A2C对正常肝组织 (0.62 ± 0.24对1.04 ± 1.00) 和HCC组织 (1.40 ± 0.42对1.51 ± 0.97) 的适配误差较小.
结论:
- 与传统的NLLS方法相比,A2C算法为HCC瘤提供了更精确的18F-FDG动态参数估计.
- 在使用可逆双输入,三隔间模型时,A2C实现了更好的时间活动曲线与较低的RMSE相匹配.
- 这种DLR方法提高了使用18F-FDG PET/CT的HCC的特征.
更多相关视频
00:06An Oncogenic Hepatocyte-Induced Orthotopic Mouse Model of Hepatocellular Cancer Arising in the Setting of Hepatic Inflammation and Fibrosis
Published on: September 12, 2019
8.7K
10:35Generation of Subcutaneous and Intrahepatic Human Hepatocellular Carcinoma Xenografts in Immunodeficient Mice
Published on: September 25, 2013
35.9K
