评估人工智能辅助的F-FDG PET量化方法:基于间接合成MR的与直接部分体积校正的对比
Yu Jin Seol1, Hye Bin Yoo2, Eun Jin Yoon3
1Interdisciplinary Program in Bioengineering, Seoul National University Graduate School, Seoul, Korea; Integrated Major in Innovative Medical Science, Seoul National Graduate School, Seoul, Korea; Department of Nuclear Medicine, Seoul National University College of Medicine, Seoul, Korea.
人工智能辅助的部分体积校正 (PVC) 增强了没有MRI的脑PET扫描. 间接PVC使用合成的MRI图像,为精确的量化提供了卓越的性能,特别是在小的大脑区域.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 部分体积校正 (PVC) 对于精确的脑PET量化至关重要,特别是在复杂或缩的区域.
- 传统的PVC方法通常依赖于解剖学MR图像,这些图像可能无法获得或质量差.
- 由人工智能驱动的策略提供了潜在的解决方案,以克服传统PVC的局限性.
研究的目的:
- 评估两种人工智能辅助的PVC策略的有效性:间接PVC (使用合成的MR图像) 和直接PVC (预测纠正的PET图像).
- 为了比较18F-FDG PET量化两种策略下的各种AI架构的性能.
- 评估AI辅助PVC对于独立的18F-FDG PET应用的实用性.
主要方法:
- 间接和直接的人工智能辅助PVC策略的系统评估.
- 使用来自多站点扫描器的配对18F-FDG PET/CT/MR数据集对多个AI架构进行评估.
- 对量化准确性和适用性进行性能指标的比较.
主要成果:
- 在所有测试的AI架构中,间接PVC的表现始终优于直接PVC.
- 拒绝扩散概率模型在间接PVC策略中显示出最好的整体性能.
- 这两种人工智能辅助的方法都提高了独立的18F-FDG PET的实用性,减少了对高质量的MR图像的依赖.
- 间接PVC显示出较小的解剖区域的卓越透明度和性能,而直接PVC则适合快速评估较大的区域.
结论:
- 人工智能辅助的PVC,特别是使用合成MR图像的间接PVC,显著提高了脑PET量化准确性.
- 否认扩散概率模型是对间接PVC的有希望的AI架构,与标准PET处理兼容.
- 人工智能驱动的PVC方法扩大了独立的18F-FDG PET的临床和研究应用,即使没有高分辨率MR数据.
更多相关视频
10:02Quantification of Atherosclerotic Plaque Activity and Vascular Inflammation using [18-F] Fluorodeoxyglucose Positron Emission Tomography/Computed Tomography FDG-PET/CT
Published on: May 2, 2012
07:07Determining Glucose Metabolism Kinetics Using 18F-FDG Micro-PET/CT
Published on: May 2, 2017
相关概念视频
Evaluating Limits by Direct Substitution
Distance Corrections
Power Factor Correction
Indirect Motor Pathways
The vestibulospinal tract originates in the vestibular nuclei of the brainstem. The vestibular system detects changes in...
Partial Fractions
Synthetic Biology
Golden rice
Golden rice is a genetically modified...
![Visualization and Quantification of Brown and Beige Adipose Tissues in Mice using [18F]FDG Micro-PET/MR Imaging](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F62460.jpg&w=3840&q=50)