在韩国,在乳腺癌患者中使用Swin UNETR的正子发射断层扫描分析系统开发了基于自动器官细分的自动器官细分

科学领域:

• 核医学成像技术 核医学成像技术
• 在瘤学中使用人工智能
• 量化医疗成像技术 量化医疗成像技术

背景情况:

• 标准化吸收值 (SUV) 对核医学至关重要,但由于不一致的兴趣区域 (ROI) 确定而有所不同.
• 这种变化会影响乳腺癌等疾病的诊断和预后准确性.

研究的目的:

• 为了在核医学成像中标准化SUV评估.
• 通过基于深度学习的定量分析方法,提高诊断和预后准确度.
• 为可靠的SUV分析开发一种自动化器官细分方法.

主要方法:

• 利用Swin UNETR模型对与乳腺癌预后相关的器官 (乳腺,肝脏,脏,骨髓) 进行自动细分.
• 根据预定义的SUV值进行代瘤细分.
• 从细分器官中提取预后信息,并将AI衍生的SUV值与商业软件进行比较.
• 使用测试 (40名患者),验证 (10名患者) 和独立测试 (10名患者) 数据集训练了AI模型.

主要成果:

• 在10名患者的数据集中,所有目标器官的自细分精度为0.9311.
• 与传统的单一ROI方法相比,全器官SUV分析的可靠性和准确性得到了改进.
• 在自动化和传统方法之间,最大SUV的差异为0.19,平均SUV的差异为0.16.

结论:

• 在核医学成像中成功标准化SUV计算.
• 基于深度学习的自动化器官细分提高了乳腺癌预后的准确性.
• 开发的方法为核医学中的定量分析提供了可靠的方法.