肺病变的检测能力在图像中得到的从被消灭和基于CNN的denoised [¹⁸F]-FDG PET/CT扫描:一个基于观察者的研究,用于肺癌查

科学领域:

• 核医学就是核医学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 肺癌查的目的是检测早期的疾病.
• 低剂量计算机断层扫描 (CT) 是目前查的标准.
• 阳位子辐射断层扫描/计算机断层扫描 (PET/CT) 提供功能性成像,但涉及辐射暴露.

研究的目的:

• 评估减少活性[18F]-FDG PET/CT用于肺癌查的可行性.
• 为了评估卷积神经网络 (CNN) 无效对低标记剂量肺病变检测能力的影响.

主要方法:

• 肺部病变的回顾性分析在完整和减小的[18F]-FDG PET/CT扫描上.
• 模拟低剂量PET/CT通过减少数据计数 (100%至1%).
• 应用CNN算法来消除减少数量的数据集.
• 评估了两个读数的病变检测能力和恶性瘤得分.

主要成果:

• 肺病变的检测能力保持在30%的活动,而没有denoising和10%的CNN denoising.
• 在10%,2%和1%的灭绝水平下,CNN显著提高了病变检测能力.
• 化增加了具有高诊断信心的病变的比例.

结论:

• 降低活性[18F]-FDG PET/CT与CNN排泄是一种可行的方法来检测肺病变.
• 这种方法可能会降低肺癌查中的辐射剂量.
• 需要进一步的研究来比较这种技术与查设置中的低剂量CT.