从结构性MRI图像生成合成TSPO PET地图

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 神经炎症与各种疾病有关,通常使用[11C]PBR28 (TSPO) PET.PET进行可视化.
• 由于高成本和电离辐射,TSPO PET成像受到限制,这阻碍了广泛的临床采用.
• 传统的MRI提供了可访问性,但缺乏对神经炎症等特定分子过程的敏感性.

研究的目的:

• 开发一种能够从结构性MRI数据中合成TSPO PET图像的深度学习模型.
• 探索神经炎症成像的经济有效和非电离替代方案.

主要方法:

• 一个3D U-Net深度学习模型在204个3T MRI和[11C]PBR28 TSPO PET扫描同时进行训练.
• 该数据集包括患有膝关节关节炎,背痛和健康对照的参与者.
• 模型性能使用5倍交叉验证进行评估,并使用强度和噪声指标进行评估.

主要成果:

• 深度学习模型实现了低的voxel-wise平均平方误差 (0.0033±0.0010) 和0.0640±0.2500的中位对比度与噪声比.
• 合成的PET图像准确地复制了原始PET数据的空间模式.
• 即使在空间正常化后,重建的准确性仍然保持一致.

结论:

• 深度学习模型可以准确地从传统的T1加权MRI中合成TSPO PET图像.
• 这种方法有可能用于低成本的非侵入性神经炎症成像.
• 该方法可以显著扩大神经炎症成像技术的临床实用性.