基于F-FDG PET的肝脏细分使用深度学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 肝脏细分传统上依赖于CT/MRI,面临着对齐和文物问题.
• 仅使用18F-FDG PET进行深度学习 (DL) 细分尚未得到充分探索.
• 准确的肝脏细分对于评估代谢活动和治疗反应至关重要.

研究的目的:

• 开发和验证一个DL模型,专门从18F-FDG PET图像对整个肝脏进行细分.
• 为了克服肝脏细分中的多模式成像的局限性.
• 为了从PET数据中快速稳定地评估肝脏吸收量.

主要方法:

• 使用nnUNet的3D U-Net架构进行细分.
• 在120名患者的18F-FDG PET数据集上训练并验证了模型,使用5倍交叉验证.
• 评估的细分精度与交叉在欧盟 (IoU) 和子系数,和图像质量与SUVmean,SUVmax和SNR.

主要成果:

• 在测试套件上实现了高分段精度,平均IOU为0.89和Dice系数为0.94.
• 与地面真相相比,图像质量指标没有显著差异.
• 从18F-FDG PET图像中成功提取了肝脏区域,从而能够准确地评估吸收量.

结论:

• 一个DL模型只使用18F-FDG PET图像可以准确地细分肝脏.
• 这种方法为基于CT/MRI的细分提供了可行的替代方案,减少了文物和对齐问题.
• 该方法促进了在临床环境中对肝脏代谢活动的有效和可靠评估.