利用深度学习优化18F-FDG PET/CT成像中的采集时间和注射剂量：提升成像方案的效率与安全性

《BMC Medical Informatics and Decision Making》：Optimizing acquisition time and injected dose in 18F-FDG PET/CT imaging using deep learning: enhancing image protocol efficiency and safety

　　

摘要

背景

本研究旨在评估深度学习算法在从缩短的采集时间中模拟标准采集时间的¹⁸F-FDG PET/CT图像方面的有效性，从而优化图像质量和放射性药物的使用。

方法

我们评估了322名接受¹⁸F-FDG PET/CT检查的患者，在保持相同的床位位置和解剖覆盖范围的情况下，模拟了半剂量条件，并在30秒、45秒、60秒、75秒和90秒的采集时间下重建图像。图像使用残差U-Net架构进行重建，并通过数据增强来提升训练效果。图像质量通过5点李克特量表进行评估，读者间一致性通过Cohen’s kappa系数进行评估，同时使用定量指标（PSNR、SSIM、MAE、MSE、RMSE）来比较处理前后的图像，以验证模型的有效性。病变检测能力通过计算处理前后的可检测病变数量进行专门评估，由两位资深核医学医师进行评估以确保一致性。统计分析采用了Wilcoxon符号秩检验和kappa统计量，将p值小于0.05视为具有统计学意义。

结果

深度学习显著提高了半剂量组的图像质量评分，从3.45±0.48提高到4.33±0.55，并将kappa值从0.76提高到0.82（p<0.05）。定量指标也显示出显著改善，半剂量条件下的SSIM值从0.75提高到0.87，PSNR值从37.65 dB提高到41.37 dB。同样，在30秒的模型中，SSIM值从0.73提高到0.84，PSNR值从35.38 dB提高到40.15 dB。在缩短的采集条件下，小病变的检测能力提高了多达16.3%，有效增强了关键病理特征的检测。

结论

在PET/CT成像中应用深度学习模型可以提高扫描效率，减少放射性药物的使用量，同时保持图像质量，而不会明显损失诊断信息。这些发现支持了人工智能增强成像协议在减少患者辐射暴露和提升临床工作流程效率方面的潜力。