主要观点总结
文章介绍了中国科学院深圳先进技术研究院与河南省人民医院团队合作,在医学影像领域发表的一项研究。该研究提出了一种基于深度学习的方法,通过训练全身数据来推断大脑PET图像的血流输入函数,从而实现无创量化。该方法使用LSTM网络与全连接网络的组合,并强调了动力学建模拟合度的重要性。通过验证数据集的比较,结果显示该方法在形状和幅度上与参考值非常相似,且参数图像与参考图像高度吻合。
关键观点总结
关键观点1: 研究背景与目的
传统获取血流输入函数的方法依赖于侵入性的动脉导管采血,深圳先进技术研究院和河南省人民医院的团队合作提出了一种无创的估计方法,通过训练全身数据来推断大脑PET图像的血流输入函数。
关键观点2: 研究方法与技术
该研究采用了深度学习的方法(DLIF),基于CT图像定义的升主动脉勾画全身PET数据生成标记的输入函数。使用了长短时记忆(LSTM)网络与全连接网络的组合,并将动力学建模拟合度纳入作为额外物理损失。
关键观点3: 研究结果与验证
使用包含85个全身动态扫描的数据集进行验证,结果显示DLIF生成的输入函数与参考值非常相似。参数图像与参考图像高度吻合,计算出的动力学参数与参考值的相关系数高,相对偏差小。
关键观点4: 研究的临床意义与影响
该研究为无创估计血流输入函数提供了可行性,适用于常规的短视野或专用脑部扫描PET系统。精准计算的大脑微观参数有助于推动神经和精神疾病中大脑代谢功能的研究,为制定更有效的治疗策略提供辅助。
文章预览
为了全面量化大脑PET图像,常常需要精确的血流输入函数。然而传统方法中,获取这一函数通常依赖于侵入性且耗时的动脉导管采血,这在临床实践中往往难以实现。 7月2日,中国科学院深圳先进技术研究院 (以下简称“深圳先进院”) 孙涛副研究员课题组与河南省人民医院王梅云副院长团队合作,在医学影像顶级期刊 IEEE Transactions on Medical Imaging 上发表了题为“ Non-Invasive Quantification of the Brain [ 18 F]FDG-PET Using Inferred Blood Input Function Learned From Total-Body Data With Physical Constraint ”的文章。该研究介绍了一种通过训练全身数据,实现从动态脑PET数据推断血液输入函数 (IF) 的方法。 文章上线截图 本研究提出了一种基于深度学习的替代方法,用于估计动态脑FDG扫描的输入函数 (DLIF) 。这一标记的输入函数是通过CT图像上定义的升主动脉勾画全身PET数据
………………………………