基于深度学习的DaT SPECT无传输衰减补偿方法的开发和in silico成像试验评估

科学领域:

• 医疗成像医学成像
• 核医学是一种核医学.
• 人工智能的人工智能

背景情况:

• 使用SPECT量化多巴胺载体 (DaT) 吸收量对于帕金森症诊断和进展监测至关重要.
• 目前的方法依赖于基于CT的减弱校正 (CTAC),这带来了辐射暴露,成本和系统可用性等挑战.
• 由于SPECT-CT错位,CTAC也可能引入错误.

研究的目的:

• 开发和评估基于深度学习的DaT-SPECT (DaT-CTLESS) 的无传输衰减补偿 (AC) 方法.
• 评估DaT-CTLESS在量化区域DaT吸收方面的表现,与CTAC和未经纠正 (UAC) 方法相比.
• 为了验证DaT-CTLESS的通用性,可重复性和稳定性.

主要方法:

• 一个in silico成像试验,ISIT-DaT,旨在评估DaT-CTLESS.
• 该研究将DaT-CTLESS与CTAC和UAC进行了比较,以量化区域DaT吸收.
• 绩效指标包括相关性,一致性,区分患者组的能力,概括性,可重复性和训练数据大小的稳定性.

主要成果:

• 在区域DAT吸收量化方面,DaT-CTLESS与CTAC的相关性明显高于UAC.
• 在DaT-CTLESS和CTAC之间观察到非常好的协议.
• DaT-CTLESS有效地区分了患有正常与减少布坦SBR的患者,显示出良好的概括性,可重复性和稳定性.

结论:

• 在DaT-SPECT量化中,DaT-CTLESS为CTAC提供了可行的替代方案,克服了CT相关的局限性.
• 该方法显示了改善帕金森症诊断和疾病管理的巨大潜力.
• 根据其在中的有希望的性能,需要对DaT-CTLESS进行进一步的临床评估.