在一个多中心,多追踪器和外部验证的研究中,使用深度学习进行低数量全身PET解毒

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 核医学就是核医学.

背景情况:

• 阳离子发射断层扫描 (PET) 是至关重要的,但由于成本,可访问性和辐射暴露而受到限制.
• 深度学习 (DL) 解密为低数量的PET扫描提供了一个解决方案,可能减少追踪剂量或扫描时间.
• 在各种扫描仪和无线电追踪器中对DL无声化的临床验证至关重要.

研究的目的:

• 在多中心环境中评估基于DL的无声化软件 (NUCLARITY) 的临床性能.
• 评估图像质量,诊断信心和病变检测,使用无色的低计数PET扫描.
• 为了验证DL算法在不同PET扫描仪和射线追踪器中的通用性.

主要方法:

• 从GE和西门子系统使用65个PET扫描 ([18F]FDG, [18F]PSMA, [68Ga]PSMA, [68Ga]DOTATATE) 来进行NUCLARITY的多中心,盲目评估.
• 模拟的50%低计数扫描被拒绝并与使用定量指标 (RMSE,PSNR,SSIM) 和读者评估的标准计数扫描进行比较.
• 核医生评估了诊断图像质量,信心,病变检测和量化 (SUVmean,SUVmax,MTV).

主要成果:

• 与未经增强的低数增强扫描相比,否定的低数增强 (LCE) 扫描显示出更高的定量图像质量.
• 在标准计数 (SC) 和LCE扫描之间观察到高一致性 (SUV平均值为CCC=1.00,SUV最大值为0.99),用于病变量化.
• LCE扫描显示了99%的灵敏度和99%的病变检测特异性,诊断性能与SC扫描相美,尽管感知质量和信心略有下降.

结论:

• 这项研究提供了欧洲首次盲目的多中心阅读器评估PET无噪声算法,跨多个标记器和隐形扫描技术.
• 该NUCLARITY算法显示出强大的概括性和保存的诊断准确性,PET扫描数量减少了50%.
• 这些发现支持基于DL的PET脱的临床整合,以减少用于常见放射性追踪剂的辐射剂量或扫描时间.