正常双胞胎PET:个性化生成建模用于整体PET/CT中混纠正和异常检测

科学领域:

• 核医学是一种核医学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 在PET/CT中区分正常和病态[18F]FDG吸收是具有挑战性的,因为模式可变,标记数据有限.
• 自动化分析需要强大的方法来考虑生理变异和患者特定因素.

研究的目的:

• 开发一种深度学习方法,用于生成患者特定的正常双胞胎PET图像 (ntPET) 用于定量分析.
• 为了能够在全身PET/CT成像中无监督检测病理异常.
• 通过纠正混生理变量来提高定量测量的准确性.

主要方法:

• 开发了一个图像对图像生成模型,从CT扫描,人口统计和获取参数中合成ntPET.
• 在2538个伪正常的PET/CT研究中训练模型,包括疾病掩盖扫描.
• 引入了一种"双重校正"方法,以减少SUV平均差异,并考虑患者特定的因素.

主要成果:

• 模型在177个测试研究中实现了89.3%的解释差异和18.0%的平均绝对相对误差.
• 双胞胎校正可以在器官中降低高达90%的SUV平均变异,减轻性别,年龄,脂肪质量和吸收时间的影响.
• 在AutoPET数据集上获得了49.3%的子得分,用于无监督瘤细分而无需注释.

结论:

• 拟议的ntPET方法提供了个性化的正常参考,用于疾病无知的PET图像分析.
• 这种方法提高了定量准确性,并促进了在PET/CT中无监督检测异常.
• 能够更精确和个性化地解释全身PET/CT扫描.