基于深度学习的一站式C-CFT和F-FDG双追踪器脑PET成像协议,用于帕金森病

科学领域:

• 核医学和分子成像学.
• 医疗诊断中的人工智能.
• 神经科学和神经退行性疾病研究.

背景情况:

• 帕金森病的诊断依赖于PET成像,通常需要使用不同的标记器进行单独的扫描,如C-CFT和F-FDG.
• 连续的PET扫描增加了患者的等待时间,并降低了舒适度.
• 开发结合或缩短PET成像协议的方法对于临床效率至关重要.

研究的目的:

• 探索深度学习 (DL) 用于在帕金森病中分离双追踪器脑PET图像 (C-CFT和F-FDG) 的使用.
• 评估从组合扫描生成伪F-FDG PET图像的可行性,以减少整体扫描时间.
• 评估DL生成的伪PET图像的图像质量和定量准确性.

主要方法:

• 对67名帕金森病患者进行回顾性分析,这些患者接受了单独的C-CFT和F-FDG PET扫描.
• 训练Swin UNETR深度学习模型,在C-CFT注入后在各种时间间隔 (∆t) 中从模拟的双追踪器总和图像中生成伪F-FDG图像.
• 使用规范平均平方误差 (NMSE),结构相似度指数测量 (SSIM),布兰德和阿尔特曼分析和区域相关性分析进行定量评估.

主要成果:

• DL模型生成了伪F-FDG图像,在所有测试的时间间隔 (∆t) 中与实际图像具有很高的视觉相似性.
• 实现了持续较低的NMSE (~0.0004) 和高的SSIM (0.9991-0.9993) 值.
• 布兰德和阿尔特曼的分析显示SUVR偏差最小 (±0.001),区域分析显示实际和伪图像之间存在强烈的相关性 (R²0.99).
• 在伪和实际F-FDG图像 (P>0.05) 之间的SUV平均,LBR和SNR没有发现统计学上显著的差异.

结论:

• 深度学习模型可以有效地分离帕金森病的双追踪器PET数据.
• 在C-CFT注射后立即生成伪F-FDG图像可以产生高质量的结果.
• 这种方法显著减少了患者的等待时间,提高了舒适度,并提高了PET成像中的临床工作流程效率.