基于深度学习的瘤细分的全球和区域准确性来自全身[18F]氧葡萄糖PET/CT图像

科学领域:

• 核医学是一种核医学.
• 医疗成像中的人工智能
• 在瘤学瘤学.

背景情况:

• 由于癌症发病率的上升,在瘤学中对[18F]氧葡萄糖 ([18F]FDG) -PET/CT扫描的需求日益增加.
• 手动对PET/CT扫描进行细分是耗时且资源密集的.
• 需要自动化解决方案来提高处理PET/CT数据的效率.

研究的目的:

• 为了评估深度学习算法在细分[18F]FDG-PET/CT扫描中的准确性.
• 评估预测和手动细分的瘤体积之间的关系.
• 研究瘤对背景吸收比 (TBR) 对细分精度的影响.

主要方法:

• 利用了来自肺癌,淋巴瘤和黑色素瘤患者的1334个[18F]FDG-PET/CT扫描数据集.
• 在MONAI框架内实现了nnU-Net卷积神经网络以进行细分.
• 使用子分数和F1分数测量性能;评估与线性相关性和TBR的相关性.

主要成果:

• 深度学习模型获得了高的子分:0.918 (验证) 和0.879 (测试).
• 预测和基本真相卷之间有很强的一致性 (R=0.82,p<0.0001).
• 细分精度在具有较高TBR (TBR>2) 的病变中明显更好.

结论:

• nnU-Net是一种可靠的方法,用于在[18F]FDG-PET成像中对高代谢病变的自动细分.
• 该模型有效地评估了全球疾病负担,与之前的研究一致.
• 整合代谢信息 (TBR) 可以进一步提高预测模型的准确性.