NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
18F-FDG PET görüntülerinin nicelenmesi, beyin tümörleri, epilepsi, demans ve Parkinson hastalığı da dahil olmak üzere çeşitli beyin hastalıklarının doğru teşhisi ve değerlendirilmesi için yararlıdır. Bununla birlikte, 18F-FDG PET görüntülerinin doğru nicelenmesi, beyin anatomisi hakkında ayrıntılı bilgi sağlamak için aynı bireylerin eşleştirilmiş 3 boyutlu T1 MRI taramalarını gerektirir. Bu makalede, önceden eğitilmiş derin sinir ağı modelini amiloid PET'ten 3 boyutlu MRI'ya ihtiyaç duymadan 18F-FDG PET görüntülerini mekansal olarak normalleştirmeye uyarlamak için bir transfer öğrenme yaklaşımı önermekteyiz. Yöntemler: Önerilen yöntem, 18F-FDG beyin PET görüntülerinin otomatik mekansal normalizasyonu için derin bir öğrenme modeline dayanmaktadır; bu, sadece 103 18F-FDG PET ve MR görüntüleri kullanılarak amiloid PET için önceden eğitilmiş bir modelin ince ayarlanmasıyla geliştirilmiştir. Eğitimden sonra algoritma 65 dahili ve 78 harici test setinde test edildi. 1-mm izotropik voksel boyutuna sahip tüm T1 MR görüntüleri, referans bölgesi olarak serebellar gri maddeyi kullanarak bir zemin gerçeği bölgesel SUV oranını çıkarmak için kullanılan kortikal segmentasyon haritaları sağlamak için FreeSurfer yazılımı ile işlenmiştir. Bu değerler, önerilen yöntem ve istatistiksel parametrik haritalama yazılımı kullanılarak mekansal normalleştirme tabanlı niceleme yöntemlerinden elde edilenlerle karşılaştırılmıştır. Bulgular: Önerilen yöntem, PET görüntülerinde artan normalleştirilmiş karşılıklı bilgi ve daha iyi boyut ve şekil eşleşmesi ile kanıtlandığı gibi istatistiksel parametrik haritalama ile karşılaştırıldığında üstün mekansal normalleşme gösterdi. Kantitatif değerlendirme, hem iç hem de dış veri kümelerinde çeşitli beyin bölgelerinde önerilen yöntem için tutarlı olarak daha yüksek bir SUV oranı korelasyonu ve sınıf içi korelasyon katsayıları ortaya koydu. Dış veri kümesi için önerilen yöntemin dikkate değer derecede iyi korelasyon ve sınıf içi korelasyon katsayısı değerleri, veri kümesinin farklı etnik dağılımı ve farklı PET tarayıcıların ve görüntü yeniden yapılandırma algoritmalarının kullanımı göz önüne alındığında dikkat çekicidir. Sonuç: Bu çalışma 18F-FDG PET uzamsal normalizasyonu için derin bir sinir ağına transfer öğrenmesini başarıyla uygulayarak kaynak verimliliğini ve geliştirilmiş performansını göstermiştir. Bu, orijinal ağ eğitiminden daha az sayıda veri seti gerektiren transfer öğreniminin etkinliğini vurgular, böylece çeşitli klinik ve araştırma radyotraktörleri için derin öğrenme tabanlı beyin PET mekansal normalleştirme tekniklerinin daha geniş kullanım potansiyelini arttırır.
Özgün kaynak özetini okuyun
Quantification of 18F-FDG PET images is useful for accurate diagnosis and evaluation of various brain diseases, including brain tumors, epilepsy, dementia, and Parkinson disease. However, accurate quantification of 18F-FDG PET images requires matched 3-dimensional T1 MRI scans of the same individuals to provide detailed information on brain anatomy. In this paper, we propose a transfer learning approach to adapt a pretrained deep neural network model from amyloid PET to spatially normalize 18F-FDG PET images without the need for 3-dimensional MRI. Methods: The proposed method is based on a deep learning model for automatic spatial normalization of 18F-FDG brain PET images, which was developed by fine-tuning a pretrained model for amyloid PET using only 103 18F-FDG PET and MR images. After training, the algorithm was tested on 65 internal and 78 external test sets. All T1 MR images with a 1-mm isotropic voxel size were processed with FreeSurfer software to provide cortical segmentation maps used to extract a ground-truth regional SUV ratio using cerebellar gray matter as a reference region. These values were compared with those from spatial normalization-based quantification methods using the proposed method and statistical parametric mapping software. Results: The proposed method showed superior spatial normalization compared with statistical parametric mapping, as evidenced by increased normalized mutual information and better size and shape matching in PET images. Quantitative evaluation revealed a consistently higher SUV ratio correlation and intraclass correlation coefficients for the proposed method across various brain regions in both internal and external datasets. The remarkably good correlation and intraclass correlation coefficient values of the proposed method for the external dataset are noteworthy, considering the dataset's different ethnic distribution and the use of different PET scanners and image reconstruction algorithms. Conclusion: This study successfully applied transfer learning to a deep neural network for 18F-FDG PET spatial normalization, demonstrating its resource efficiency and improved performance. This highlights the efficacy of transfer learning, which requires a smaller number of datasets than does the original network training, thus increasing the potential for broader use of deep learning-based brain PET spatial normalization techniques for various clinical and research radiotracers.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.