在PET/CT成像中进行人工智能损伤跟踪:针对基于罗语的CNN管道的提案,应用于PSMA PET/CT扫描

科学领域:

• 核医学就是核医学.
• 在瘤学中使用人工智能
• 医学成像分析 医学成像分析

背景情况:

• 评估瘤对全身治疗的反应在瘤学中至关重要,主要使用PET/CT扫描.
• 目前的方法往往只分析了病变的一个子集,由于转移间异质性而存在偏差风险.
• 使用人工智能的自动化病变跟踪可以增强对众多病变的分析,以更准确地评估反应.

研究的目的:

• 引入罗卷积神经网络 (CNN) 方法,用于在PET/CT扫描中实现自动化病变跟踪.
• 为了能够分析更多的病变,以改善瘤反应评估.
• 在治疗监测中解决操作者依赖性病变选择的局限性.

主要方法:

• 这项研究应用了语CNN来跟踪全身PSMA PET/CT扫描中的骨损伤,该扫描用于接受[177Lu]Lu-PSMA治疗的转移性割耐药前列腺癌患者.
• 损伤细分和亲属登记作为数据准备步骤进行.
• 该算法提取了病变补丁,并使用训练有素的语CNN来区分对应的和不对应的病变对.

主要成果:

• 罗CNN模型在分类病变分配方面表现出精通性,在最佳配置中达到83%的准确性和0.91的AUC.
• 病变跟踪管道成功识别了89%的准确性相应的病变.
• 实验探讨了各种输入补丁类型和2D和3D CNN架构.

结论:

• 基于CNN的方法可以有效地促进PSMA PET/CT扫描中的多种病变的跟踪.
• 这种人工智能驱动的方法显示了改善瘤对全身疗法的反应评估的潜力.
• 需要进一步的临床研究来确认这种增强的病变跟踪是否能改善治疗结果的预测.