在临床动态F-FDG全身PET中使用模拟数据驱动的机器学习算法进行K_i参数成像的可行性

科学领域:

• 核医学就是核医学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 动力参数 (K_i) 成像提供了高的诊断准确性,但受到长时间扫描时间的限制.
• 目前用于K_i成像的机器学习方法需要大量的现实世界数据进行训练.

研究的目的:

• 研究一种基于模拟数据的策略,用于高效的临床K_i参数成像,缩短扫描时间.
• 克服现有的机器学习模型对K图像生成的数据依赖.

主要方法:

• 通过使用帕特拉克方程和K-Means集群生成模拟PET数据,其噪声水平可变.
• 在模拟数据集上训练 XGBoost 模型,从短时间 (50-60 分钟) 的 PET 扫描中预测 K_i 值.
• 使用模拟和现实世界的动态全身PET数据验证了该方法,与传统的帕特拉克方法进行了比较.

主要成果:

• 使用包括噪声在内的模拟数据进行训练显著提高了K_i值的准确性.
• 拟议的方法在现实数据上比传统的帕特拉克方法取得了更高的性能 (皮尔森的r=0.94对0.42,NMSE=0.11对5.33).
• 与帕特拉克方法相比,实现了更高的峰值信号噪声比率 (64.32比47.87).

结论:

• 一种基于模拟数据的方法可用于从临床F-FDG动态全身PET扫描中生成可靠的K_i图像.
• 这种方法有效地减少了对昂贵的真实世界数据采集的依赖.
• 可实现高效的K_i成像,缩短扫描时间.