AI在评估PET与CT图像诊断脑疾病中的作用

根据发表在《数字影像杂志》上的一项新研究,基于深度学习的AI模型可以改善18F-FDG PET / CT图像中白质的分割。这有助于放射科医生早期诊断神经退行性疾病。

“ 18F-FDG PET / CT可评估大脑的皮质或皮质下神经元代谢活性,而白质病理的评估取决于诸如MRI之类的解剖学成像方式,”主要作者延世大学医学院的Kyeong Taek Oh写道。和同事。“尚未从18F-FDG PET / CT提取白质的潜在价值进行各种脑疾病的定量评估。”

研究团队测试了多种AI模型对白质的分割,并指出生成对抗网络(GANs)取得了最有希望的结果。GAN模型基于现有模型(pix2pix),并包括两个卷积网络。这些网络之一是生成器,另一个是鉴别器。

作者解释说:“对发生器进行了培训,可以将18F-FDG PET / CT图像转换为与真实分割图无法区分的分割图。”“鉴别器经过训练,可以将生成的分割图与真实的分割图区分开。通过对生成器和鉴别器的对抗训练,生成器生成了逼真的分割图。”

GAN生成的图像由五名观察员检查,他们给样本分割图指定了“分割质量得分”。对于团队的GAN模型,78%的细分结果获得了“足够”的分数。在精度方面,该模型的平均值为0.821±0.036。专门回顾一下,平均值为0.814±0.029。

这些发现为专家们提供了一种潜在的新工具,用于跟踪患者白质的体积变化。这些变化与衰老,精神病和多发性硬化症有关。在患有“广泛性灰质萎缩”的阿尔茨海默氏症患者中也存在白质变化,这是专家必须能够读取这些图像的另一个原因。

作者总结说:“与几种常用的深度学习方法相比,该方法的分割结果显示出与MRI的地面真实图像相似的出色性能。”“需要进一步的研究来阐明基于FDG PET / CT的白质分割在脑研究中的临床意义。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。