优化Ga-SSTR PET放射性特征提取,以提高特征稳定性和小神经内分泌瘤的预测分类模型

科学领域:

• 核医学是一种核医学.
• 无线电学 (Radiomics) 是一种放射学.
• 在瘤学中使用人工智能

背景情况:

• -68 (68Ga) PET成像对于神经内分泌瘤 (NETs) 是至关重要的.
• 对68Ga PET的放射性分析显示了NET分类,治疗反应预测和异质性评估的前景.
• 对于临床相关的NET体积和活动,关于放射性特征稳定性和最佳预处理的数据有限.

研究的目的:

• 为了优化68Ga PET的放射性特征提取和选择方法.
• 评估各种活动,体积,重建和量子化设置中的放射性特征稳定性.
• 开发一种机器学习模型,使用优化的放射性特征来预测NET瘤等级.

主要方法:

• 利用统一和异质的幻影来优化放射性特征的提取和选择.
• 通过改变活动,体积,重建和量子化参数来评估放射性特征的稳定性.
• 采用机器学习算法,使用选定的功能构建NET等级的预测模型.

主要成果:

• 在建模型之前减少放射性特征集可以提高预测准确性.
• 量化体积评估减少了特征集大小,同时保留了临床相关特征.
• 优化的量化方法提高了小,临床相关量的特征稳定性,为NET等级预测确定了五个强大的特征.

结论:

• 在NET中量化小体积仍然具有挑战性.
• 优化量子化参数可显著提高68Ga PET的放射性特征稳定性,用于体积> 1.2 cm3.
• 这种优化有助于为NET等级开发更准确的预测模型.