在低剂量胸部CT图像中构建GUI工具,用于基于PET的标准吸收值 (SUV) 分析的自动动动脉分段

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 使用氧化葡萄糖 (FDG) 的正子发射断层扫描-计算机断层扫描 (PET-CT) 对于诊断血管炎和淋巴瘤等疾病至关重要.
• 当前标准化吸收值 (SUV) 测量需要手动选择感兴趣区域 (ROI),这是耗时的.

研究的目的:

• 在PET-CT扫描中开发和验证一个用于大动脉细分和SUVmax计算的自动化方法.
• 提高PET-CT分析对瘤和炎症状况的效率和准确性.

主要方法:

• 用一个带有ResNet-18骨干的UNET模型用于自动化大动脉细分.
• 该模型的性能使用交叉点对欧盟 (IoU) 进行了评估,并与手动SUVmax测量进行了比较.
• 该研究包括来自血管炎,淋巴瘤和健康对照患者的PET-CT扫描.

主要成果:

• 自动化细分在验证集中获得了高的IOU分数0.905.
• 在自动 (2.75) 和手动 (2.28) 方法 (p=0.38) 之间的平均SUVmax中没有发现显著差异.
• 自动化细分可以将处理时间从36.3分钟减少到4.8分钟.

结论:

• 基于深度学习的自动化大动脉细分和SUV计算增强了PET-CT工作流程.
• 自动化方法提供了与手工技术相比的准确性,并节省了大量的时间.
• 这种方法为PET-CT成像提供了更有效的诊断工具.