深度学习衍生动脉输入功能的动态大脑PET

科学领域:

• 神经成像是一种神经成像.
• 医学物理 医学物理
• 人工智能的人工智能

背景情况:

• 动态正子发射断层扫描 (PET) 成像对于理解大脑功能和神经系统疾病至关重要.
• 在PET中准确的动态建模需要代谢物校正的动脉输入函数 (AIF).
• 传统的AIF测量涉及侵入性动脉血液采样,这是劳动密集型的,可能会损害患者的舒适性.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于非侵入性地估计AIF.
• 为了消除动态PET研究中动脉血液采样的需要.
• 为AIF量化提供一个快速而准确的替代方案.

主要方法:

• 开发一个深度学习框架 (DLIF) 来直接从动态PET图像序列中估计代谢物校正的AIF.
• 使用现有的动态PET患者数据验证DLIF.
• 将DLIF衍生的参数图与地面真相测量进行比较.

主要成果:

• DLIF证明了对代谢物纠正的AIF的准确和可靠的估计.
• 深度学习方法有效地捕捉了AIF的复杂时间动态.
• DLIF提供了传统血液采样方法的非侵入性替代方案,保持了准确性.

结论:

• 在动态PET成像方面,DLIF提供了显著的进步,通过使完全非侵入性的AIF估计成为可能.
• 这种方法有可能简化神经系统疾病的研究和临床应用.
• DLIF将深度学习的力量与对AIF形状的预先了解相结合,以实现可靠的量化.