神经网络辅助无监督输入函数估计用于双时窗PET帕特拉克分析
Wenrui Shao1, Yarong Zhang2, Fen Du2
1Institute of Medical Technology, Peking University Health Science Center, Peking University, Beijing, 100871, China.
EJNMMI physics
|December 8, 2025
概括
这项研究引入了一种用于双时间窗口帕特拉克分析的新型神经网络方法,提高了无需血液采样的动态建模准确度. 该方法提高了参数成像质量,并减少了肺癌患者的PET扫描持续时间.
科学领域:
- 核医学就是核医学.
- 放射化学 放射化学是指辐射化学.
- 计算生物学 计算生物学
背景情况:
- 双时间窗口 (DTW) 帕特拉克分析对于定量PET成像至关重要,但传统方法需要侵入性血液采样和长时间扫描.
- 现有的DTW和单一时间窗口方法可以引入偏差并减少跨患者队列的可比性.
- 对净流量常数 (K_i) 的准确估计对于瘤学和神经学中可靠的定量分析至关重要.
研究的目的:
- 开发和验证一种使用神经网络 (NN) 的新型双时间窗 (DTW) 帕特拉克图谱方法,以消除侵入性血液采样和缩短扫描时间.
- 通过解决传统DTW方法中的偏差来提高净流量常数 (K_i) 估计的准确性.
- 在缩短的扫描协议中生成高质量的参数成像和可靠的定量分析.
主要方法:
- 开发了一个无监督的多分支神经网络 (NN),以估计缺失的数据间隔并生成伪输入函数 (IF).
- 构建了一个加权统计 (NNIF) 从假假IF和voxel级数据之间的相关性得分进行准确的IF估计.
- 使用模拟数据和67名肺癌患者的[F-18]-FDG PET扫描验证了NNIF方法,并与其他量化技术进行了比较.
主要成果:
- 在IF估计中,NNIF方法实现了高精度 (患者研究中最大MAD为0.04) 和在DTW协议中一致的K_i回归.
- 模拟研究显示最佳相对绝对误差 (RAE) 为0.0302.
- 临床验证表明,相应的参数成像和ROI分析的最佳平均PSNR为97.40dB和R2为0.991.
结论:
- 来自多分支神经网络的加权统计数据可以准确地估计完整的输入函数 (IF).
- 这种方法可以实现高质量的参数成像,显著减少扫描时间.
- 该方法确保了准确的帕特拉克分析,提供了更有效和可靠的定量PET成像解决方案.
