用卷积神经网络对F-flurpiridaz PET-MPI进行动态对运动校正.
Meghana Urs1, Aditya Killekar1, Valerie Builoff1
1Department of Medicine (Division of Artificial Intelligence in Medicine), Cedars-Sinai Medical Center, Los Angeles, CA.
medRxiv : the preprint server for health sciences
|July 9, 2025
概括
一个新的深度学习 (DL) 框架自动化了18F-flurpiridaz PET成像的运动校正,改善了心肌血流 (MBF) 和流量储备 (MFR) 的量化. 这种人工智能方法比手工方法更快,更准确.
科学领域:
- 核医学是一种核医学.
- 心血管成像 - 心血管成像
- 医疗成像中的人工智能
背景情况:
- 使用18F-flurpiridaz PET精确量化心肌血流量 (MBF) 和心肌流量储备 (MFR),对于诊断冠状动脉疾病 (CAD) 至关重要.
- 准确的MBF和MFR测量严重依赖于PET数据的有效运动校正 (MC).
- 目前的手动对MC方法耗时,需要广泛的专业知识,并引入显著的观察者之间的变化.
研究的目的:
- 在18F-flurpiridaz PET成像中开发和验证用于自动化运动校正 (MC) 的深度学习 (DL) 框架.
- 将基于DL的MC方法的诊断性能和定量准确性与手动MC和标准非AI自动MC技术进行比较.
主要方法:
- 使用3D ResNet架构处理3D PET卷并为自动化MC生成运动向量.
- 该DL框架经过训练和验证,使用来自第三阶段临床试验 (NCT01347710) 的32个地点的数据,由两名经验丰富的操作人员进行手动校正,作为地面真相.
- 使用模拟运动向量的数据增强用于增强DL模型的稳定性,并与手动和标准非AI自动MC方法进行了比较.
主要成果:
- 基于深度学习的运动校正 (DL-MC) 对MBF和MFR的诊断准确度与手动MC相比,在检测显著的CAD (标准非AIMC的AUC从0.889到0.897到0.877之间,并且显著高于No-MC的0.835) 中显示出与手动MC相比的诊断准确度.
- 定量分析显示DL-MC和手动MC在MBF (95%置信限±0.24ml/g/min) 和MFR (95%置信限±0.49ml/g/min) 之间有很好的一致性.
- DL-MC方法比手动校正快得多,同时保持了诊断的可比性.
结论:
- 拟议的DL-MC框架为18F-flurpiridaz PET-MPI中的运动校正提供了快速和自动化的解决方案.
- DL-MC实现了与手动MC的诊断准确性和定量一致性,为手动和标准非AI自动方法提供了可靠的替代方案.
- 这种自动化方法有可能提高在临床实践中MBF和MFR量化的效率和一致性.
