在Ga-PSMA PET成像中优化衰减校正使用深度学习和无文物数据集改进

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 核医学就是核医学.

背景情况:

• pozitron发射断层扫描 (PET) 成像的定量准确性依赖于精确的减弱校正 (AC).
• 基于CT的AC (CT-AC) 对于68Gallium-Prostate-Specific Membrane Antigen (68Ga-PSMA) PET中的人工物,包括运动和截断,降低了图像质量.
• 这些工件阻碍了基于深度学习 (DL) 的AC模型的训练.

研究的目的:

• 开发和验证用于PET-CT图像数据集的新型文物精制框架.
• 为了使图像域深度学习AC模型使用纯化的数据集进行训练,消除了对解剖参考扫描的需求.
• 为了提高68Ga-PSMA PET成像的定量准确性和稳定性.

主要方法:

• 在828个全身68Ga-PSMA PET-CT扫描上训练了一个残余神经网络 (ResNet).
• 被艺术品影响的图像被识别并使用voxel级别错误指标排除.
• 该模型在精制的数据集上进行了重新训练,使用L2损失函数来提高性能.

主要成果:

• 在纯化的数据集上训练的模型显示了显著改善的性能指标 (例如,ME = -0.009 ± 0.43 SUV,MAE = 0.09 ± 0.41 SUV,SSIM = 0.96 ± 0.03).
• 在内部和外部验证过程中,与在未过数据上训练的模型相比,观察到更高的定量准确性和稳定性.
• 文物精制框架有效地减轻了因图像损坏而导致的错误.

结论:

• 拟议的数据净化框架大大改善了68Ga-PSMA PET的基于深度学习的AC.
• 这种方法提高了图像准确性和临床适用性,使得可靠的PET成像能够在没有解剖参考的情况下进行.
• 该框架解决了用于定量PET分析的工件减少的关键挑战.