一个基于人工智能的解决方案来消除快速获取FDG PET:临床可行性和定量评估
Luísa C Silva1, Cláudia S Constantino2, Ricardo Teixeira2
1Champalimaud Clinical Centre, Champalimaud Foundation, Av. Brasília, 1400-038, Lisbon, Portugal. luisa.castelbranco.silva@fundacaochampalimaud.pt.
Journal of imaging informatics in medicine
|August 28, 2025
概括
深度学习方法可以恢复快速的正子发射断层扫描 (PET) 图像质量,减少获取时间. 这项研究表明,基于深度学习的无声化实现了18F氧糖PET扫描的标准护理质量.
科学领域:
- 医学成像
- 核医学
- 医疗保健中的人工智能
背景情况:
- 减少子发射断层扫描 (PET) 获取时间可以提高患者的舒适性,效率和可持续性.
- 快速获取PET扫描需要方法来恢复图像质量到标准的护理水平.
研究的目的:
- 评估基于深度学习 (DL) 的方法的临床充分性,以恢复快速获取的18F-氧糖 (FDG) PET图像.
- 将基于DL的消噪性能与标准采集协议和基准波器进行比较.
主要方法:
- 在117名癌症患者的全身18F-FDGPET扫描中训练了三个卷积神经网络.
- 评估的快速采集 (20和30秒/轴视野) 与标准的70秒/轴视野采集相比.
- 核医学医生使用视觉评估和定量分析 (损伤检测能力,信号与噪声比,标准化吸收值偏差).
主要成果:
- 基于DL的无声化使得快速采集 (20和30秒/AFOV) 能够达到与标准处理 (70秒/AFOV) 相当的图像质量.
- 基于损伤的灵敏度和积极的预测值在DL-denoised图像中很高 (例如,在30秒AFOV+DL时为72%和80%).
- 与标准方法相比,基于DL的无声化显示出对标准护理和器官信号噪声比的优越一致.
结论:
- 基于深度学习的方法适用于恢复快速获取全身18F-FDGPET图像的标准护理质量.
- 基于DL的清除效果优于传统的基准过方法.
- 这种方法为更高效,更方便患者的PET成像提供了一个有前途的策略.
