- 简介$\textbf{目的}$：对于淋巴瘤患者PET扫描的纵向变化进行自动量化一直是一个具有挑战性的问题，因为在中期治疗扫描中残留病变通常是微妙且难以检测的。我们的目标是开发一种具有纵向感知分割网络（LAS-Net），可以量化小儿霍奇金淋巴瘤患者的连续PET/CT图像。 $\textbf{材料和方法}$：这项回顾性研究包括297名患者的基线（PET1）和中期（PET2）PET/CT图像，这些患者参加了两项儿童肿瘤组临床试验（AHOD1331和AHOD0831）。LAS-Net采用纵向交叉注意力，允许PET1中的相关特征影响对PET2的分析。使用Dice系数评估模型在PET1中的性能，使用检测F1分数评估模型在PET2中的性能。此外，我们提取并比较定量PET指标，包括PET1中的代谢性肿瘤体积（MTV）和总病变醣代谢率（TLG），以及PET2中的qPET和$\Delta$SUVmax，并与医师测量进行比较。我们使用Spearman的$\rho$相关性量化它们的一致性，并使用自助法重采样进行统计分析。$\textbf{结果}$：LAS-Net以F1分数0.606（精度/召回率：0.615/0.600）检测出PET2中的残留淋巴瘤，优于所有比较方法（P<0.01）。对于基线分割，LAS-Net实现了平均Dice分数0.772。在PET定量方面，LAS-Net的qPET、$\Delta$SUVmax、MTV和TLG的测量值与医师的测量值强相关，Spearman的$\rho$分别为0.78、0.80、0.93和0.96。在外部测试队列中，性能保持高水平，并略微下降。$\textbf{结论}$：LAS-Net在量化PET指标方面表现出较高的性能，突显了纵向感知在评估多时间点成像数据集中的价值。
- 图表
- 解决问题开发一种能够量化儿童霍奇金淋巴瘤患者PET扫描序列的长期感知分割网络
- 关键思路LAS-Net采用纵向交叉关注，利用PET1的相关特征来指导PET2的分析，实现对序列扫描的量化
- 其它亮点LAS-Net在PET2的残留淋巴瘤检测方面表现优异，F1得分为0.606；在基线分割方面，平均Dice分数为0.772。对PET指标的测量结果与医生的测量结果强相关，Spearman's ρ分别为0.78、0.80、0.93和0.96。
- 近期的相关研究包括：1.《A deep learning-based framework for automatic PET/CT segmentation and analysis》；2.《Deep learning for PET image segmentation: A review》；3.《DeepPET: a deep encoder-decoder network for directly solving the PET image reconstruction inverse problem》
沙发等你来抢
去评论
评论
沙发等你来抢