科研速递 | 2024年7月人工智能、影像与肿瘤EP合集

 
EJNMMI Physics
IF/JCR/分区：3/Q2/2区
速递内容：文章标题(英文标题、中文标题、关键词标签)；研究背景与目的；研究方法，研究结果；研究结论。

01
目录
基于人工智能的多示踪剂全身PET的联合衰减和散射校正策略
利用123I-Ioflupane SPECT图像的放射组学结合深度特征预测帕金森病
基于动力学模型信息的深度学习在多重PET图像分离中的应用
用于呼吸门控PET图像边缘保持去噪的深度学习双边滤波
18FDG PET-CT上头颈肿瘤分割的多模态协同学习与注意力机制
基于深度学习的99mTc-二乙三胺五乙酸肾脏扫描测量分裂肾小球滤过率


1
Artificial intelligence-based joint attenuation and scatter correction strategies for multi-tracer total-body PET
标题：基于人工智能的多示踪剂全身PET的联合衰减和散射校正策略
标签：Artificial intelligence, PET/CT, Total-body, Attenuation correction, Scatter correction
研究背景
全身PET扫描使用[18F]fluorodeoxyglucose ([18F]FDG)常用于临床肿瘤学中的诊断、分期、再分期和监测治疗反应。
[18F]fibroblast-activation protein inhibitors ([18F]FAPI)和[68Ga]fibroblast-activation protein inhibitors ([68Ga]FAPI) PET最近在临床环境中进行，显示出在广泛的肿瘤学应用中的潜力。
准确的物理衰减和康普顿散射的校正是可靠定量PET成像所必需的。
研究目的
展示直接在图像领域进行多示踪剂全身PET的衰减和散射校正（ASC）的可行性。
提出这种发展可能应用于无CT全身PET扫描仪，并提高这类扫描仪的准确性和可靠性。
探索能够跨不同示踪剂和临床场景通用的基于AI的ASC策略。
研究方法
回顾性纳入了158名在Nanfang PET中心接受uEXPLORER全身PET/CT检查的患者的临床数据。开发了一个改进的3D条件生成对抗网络（cGAN），直接从非衰减和散射校正（NASC）PET图像估计衰减和散射校正的PET图像。使用四种训练策略验证了所提出的3D cGAN基础ASC的可行性，并使用CT-ASC作为参考进行了定性和定量评估。
研究结果
CZ-ASC, DL-ASC和FT-ASC显示出与CT-ASC相当的图像质量，并且在所有示踪剂中表现相似。
在[18F]FDG数据集中，CZ-ASC和DL-ASC的NMAE分别为8.51%和7.36%，优于NASC（p < 0.0001）。
在[18F]FAPI和[68Ga]FAPI数据集中，CZ-ASC, FT-ASC和DL-ASC的NMAE结果优于NASC和NFT-ASC（p<0.0001）。
研究结论
CZ-ASC, DL-ASC和FT-ASC证明了为多示踪剂全身PET提供准确和稳健的ASC的可行性，从而减少了患者因多余CT检查而受到的辐射危害。
CZ-ASC和FT-ASC在跨示踪剂全身PET AC方面的表现可能优于DL-ASC。


2
Radiomics incorporating deep features for predicting Parkinson’s disease in 123I-Ioflupane SPECT
标题：利用123I-Ioflupane SPECT图像的放射组学结合深度特征预测帕金森病
标签：123I-Ioflupane, SPECT, Parkinson’s disease, Radiomics, Deep learning, Deep feature
研究背景
帕金森病(PD)的全球患病率正在迅速上升，成为继阿尔茨海默病之后的第二大神经退行性疾病。传统的PD诊断依赖于神经学检查和运动症状，但SPECT可以用于早期诊断PD，甚至在症状出现之前。近年来，放射组学在疾病的诊断中得到了显著增加的应用，尤其是在早期阶段。
研究目的
利用123I-Ioflupane SPECT图像，结合放射组学特征(RaF)、深度特征(DF)和传统影像特征(IF)，开发预测模型，预测PD的Hoehn-Yahr分期(HYS)。
研究方法
研究纳入了161名来自Parkinson’s Progressive Marker Initiative数据库的受试者，他们接受了基线3T MRI和123I-Ioflupane SPECT检查，并在诊断后0年和4年进行了HYS评估。从SPECT图像中提取了传统影像特征和放射组学特征，并使用2D DenseNet预测PD的HYS，并同时生成深度特征。应用随机森林算法开发基于DF、RaF、IF和组合特征的模型，分别预测0年时的HYS(0、1和2期)和4年时的HYS(0、1和≥2期)。
研究结果
在0年时的诊断准确性方面，深度学习(DL)模型(0.696)除了在SPECT-V中的DF + IF模型(0.704)外，超过了大多数模型。
在4年的预测中，基于MRI的方法中DF + RaF模型的准确性最高(0.835)，显著优于DF + IF、IF + RaF、RaF和IF模型。
接收者操作特征曲线下面积(AUC)突出显示，在0年时基于MRI方法的DF + RaF模型(0.854)和在4年时基于SPECT-T方法的DF + RaF模型(0.869)均优于DL模型。
研究结论
与仅使用放射组学或深度学习相比，结合放射组学和深度特征可以提高PD HYS的预测准确性。研究表明，使用123I-Ioflupane SPECT图像在首次诊断后的0年和4年预测PD HYS的预测模型性能有进一步改进的潜力，从而有助于PD的早期诊断和治疗。


3
Kinetic model-informed deep learning for multiplexed PET image separation
标题：基于动力学模型信息的深度学习在多重PET图像分离中的应用
标签：Multiplexed PET, Kinetic modeling, Spectral analysis, Physics-informed deep learning
研究背景
多重正电子发射断层扫描（mPET）可以在单次扫描中同时测量不同示踪剂的生理和病理信息。在mPET成像中，由于每个示踪剂产生的511 keV光子对无法区分，因此很难在单次PET扫描中分离多重PET信号。
研究目的
提出一种结合动力学模型的深度学习方法，用于分离mPET图像，而无需知道动脉输入函数（AIFs）。
研究方法
作者改进了深度网络的归纳先验，通过结合基于谱分析的通用动力学模型，将该模型和深度网络整合到一个迭代的全4D PET重建算法的图像空间版本中。
研究结果
在模拟的大脑图像数据集上评估了所提出方法的性能，用于分离双示踪剂[18F]FDG+[11C]MET PET图像。结果显示，所提出的方法能够实现与单示踪剂成像相当的分离性能。与基于模型的分离方法（传统的体素多示踪剂隔室建模方法v-MTCM和全4D PET图像重建算法的图像空间双示踪剂版本IS-F4D）以及纯数据驱动的分离方法（使用卷积编码器-解码器CED）相比，所提出的方法在训练样本较少的情况下表现更好。
研究结论
这项工作提出了一种基于动力学模型信息的展开深度学习方法，用于mPET图像分离。在模拟研究中，该方法能够以较少的训练数据超越传统的v-MTCM方法和纯数据驱动的CED，显示出其在mPET图像分离中的潜力。


4
Deep learning based bilateral filtering for edge-preserving denoising of respiratory-gated PET
标题：用于呼吸门控PET图像边缘保持去噪的深度学习双边滤波
标签：Positron emission tomography (PET), Image quantification, Deep learning, Post-filtering, Neural networks, Image denoising, Respiratory gating, Motion correction
研究背景
PET图像中残留的图像噪声是限制病变检测、量化和整体图像质量的一个重要因素。传统的低通滤波器（如高斯滤波器）虽然被广泛用于PET图像的噪声降低，但会导致空间分辨率降低和部分体积效应增加，影响小病变的检测和定量数据评估。双边滤波器（BF）是一种局部自适应图像滤波器，可以在保持清晰物体边缘的同时减少图像噪声，但其参数的手动优化过程可能既繁琐又耗时。
研究目的
探讨深度学习方法能否通过训练一个合适的网络，以自动化的方式复现手动调整的案例特定双边滤波的结果，从而解决上述问题。
研究方法
使用了69个呼吸门控的临床PET/CT扫描数据，涉及三种不同的示踪剂（[18F]FDG、[18F]L-DOPA、[68Ga]DOTATATE）。
采用自动化程序来执行双边滤波器参数空间的全面搜索，以确定“最优”的滤波器参数，生成用户认可的原始和最佳BF滤波图像对作为输入数据。
为了复现最优的BF滤波，使用了修改后的3D U-Net CNN，该CNN采用了残差学习原理。
使用5折交叉验证方案进行网络训练和评估。
研究结果
自动化滤波器参数确定过程为大多数数据集选择了合适的滤波器参数，只有19个患者数据集需要手动调整。对比焦点摄取ROIs的评估显示，CNN和BF基于过滤的图像基本上保持了未过滤图像的焦点SUVmax值，平均差异很小。在噪声特性评估中，CNN过滤在大多数情况下满意地复现了BF的噪声水平和特性。
研究结论
研究表明，基于深度学习的去噪方法可以以完全自动化的方式复现经过案例优化的BF的结果。除了极少数情况外，CNN和BF处理在噪声水平、边缘保持和信号恢复方面产生了实质上相同质量的图像。作者认为这样的网络在改进呼吸门控PET研究的运动校正方面可能特别有用，也可以帮助建立等同于BF的边缘保持CNN过滤在临床PET中的应用，因为它消除了耗时的手动BF参数调整。


5
Multi-modal co-learning with attention mechanism for head and neck tumor segmentation on 18FDG PET-CT
标题：18FDG PET-CT上头颈肿瘤分割的多模态协同学习与注意力机制
标签：PET/CT, Multi-modal image segmentation, Head and neck tumor segmentation, Attention, Co-learning
研究背景
头颈部癌症是最常见的癌症之一，并且是癌症相关死亡的第八大原因。放射治疗的成功执行需要对头颈部肿瘤进行准确分割。传统上，放射肿瘤学家、医学物理学家和放射科医生手动描绘目标肿瘤，但手动绘制既费力又耗时，并且存在高度的变异性。
研究目的
开发一种新的基于深度学习的方法，以解决现有方法在特征提取和融合功能的分离以及未能充分利用PET的高灵敏度所带来的计算量大的挑战。
研究方法
提出了一个肿瘤区域注意力模块（TRAM），充分利用PET的高灵敏度，并设计了一个网络，通过挤压激励归一化（SE Norm）学习PET和CT特征之间的相关性，而不是分开进行特征提取和融合。引入了多尺度上下文融合（MSCF），利用不同尺度的上下文信息。
研究结果
使用HECKTOR挑战2021数据集进行训练和测试。所提出的模型在医学图像分割方面超越了现有的最先进模型；特别是与U-net相比，Dice相似性系数提高了8.78%。
研究结论
所提出的网络模型在分割肿瘤的复杂形状方面优于现有的医学图像分割方法，能够更准确地区分肿瘤和非肿瘤区域。通过比较所提出的方法与其他最先进方法的性能，证明了这三种策略在改善头颈肿瘤分割方面的有效性。


6
Deep learning-based measurement of split glomerular filtration rate with 99mTc-diethylenetriamine pentaacetic acid renal scan
标题：基于深度学习的99mTc-二乙三胺五乙酸肾脏扫描测量分裂肾小球滤过率
标签：[99mTc]Tc-diethylenetriamine pentaacetic acid, Glomerular filtration rate, Deep learning, Convolutional neural networks, Image segmentation
研究背景
准确的肾小球滤过率(GFR)测量对于诊断和管理肾脏疾病、调整药物剂量以及在多种临床环境中监测肾功能衰竭的进展至关重要。99mTc-二乙三胺五乙酸(99mTc-DTPA)是用于测量GFR最广泛使用的放射性药物。
研究目的
开发一种深度学习(DL)模型，用于在99mTc-DTPA肾脏扫描上自动生成感兴趣区域(ROIs)，以测量GFR。
研究方法
使用从图片存档和通信系统检索的手动绘制的ROIs作为真实标签(GT)。
训练了一个具有多通道输入的二维U-Net卷积神经网络架构，以生成DL ROIs。
使用Lin的一致性相关系数(CCC)和线性回归分析的斜率系数评估GT和DL ROIs的GFR值之间的一致性。
使用Bland-Altman图评估偏差和95%一致性限制(LOA)。
研究结果
包括24,364次扫描(12,822名患者)。GT和DL GFR在左肾(CCC 0.982)、右肾(CCC 0.969)和双肾(CCC 0.978)之间发现极好的一致性。Bland-Altman分析显示GT和DL GFR之间的微小偏差，平均差异分别为-0.2、1.4和1.2 mL/min/1.73 m²。
研究结论
我们的DL模型在99mTc-DTPA肾脏扫描上生成ROIs表现出色。这种自动化方法可能潜在地减少手动工作量，并提高临床实践中GFR测量的精度。
参考文献
Sun H, Huang Y, Hu D, Hong X, Salimi Y, Lv W, Chen H, Zaidi H, Wu H, Lu L. Artificial intelligence-based joint attenuation and scatter correction strategies for multi-tracer total-body PET. EJNMMI Phys. 2024 Jul 19;11(1):66. doi: 10.1186/s40658-024-00666-8. PMID: 39028439; PMCID: PMC11264498.
Jiang H, Du Y, Lu Z, Wang B, Zhao Y, Wang R, Zhang H, Mok GSP. Radiomics incorporating deep features for predicting Parkinson's disease in 123I-Ioflupane SPECT. EJNMMI Phys. 2024 Jul 10;11(1):60. doi: 10.1186/s40658-024-00651-1. PMID: 38985382; PMCID: PMC11236833.
Pan B, Marsden PK, Reader AJ. Kinetic model-informed deep learning for multiplexed PET image separation. EJNMMI Phys. 2024 Jul 1;11(1):56. doi: 10.1186/s40658-024-00660-0. PMID: 38951271.
Maus J, Nikulin P, Hofheinz F, Petr J, Braune A, Kotzerke J, van den Hoff J. Deep learning based bilateral filtering for edge-preserving denoising of respiratory-gated PET. EJNMMI Phys. 2024 Jul 9;11(1):58. doi: 10.1186/s40658-024-00661-z. PMID: 38977533; PMCID: PMC11231129.
Cho MJ, Hwang D, Yie SY, Lee JS. Multi-modal co-learning with attention mechanism for head and neck tumor segmentation on 18FDG PET-CT. EJNMMI Phys. 2024 Jul 25;11(1):67. doi: 10.1186/s40658-024-00670-y. PMID: 39052194; PMCID: PMC11272764.
Ha S, Park BS, Han S, Oh JS, Chae SY, Kim JS, Moon DH. Deep learning-based measurement of split glomerular filtration rate with 99mTc-diethylenetriamine pentaacetic acid renal scan. EJNMMI Phys. 2024 Jul 17;11(1):64. doi: 10.1186/s40658-024-00664-w. PMID: 39017817; PMCID: PMC11254887.