Deep learning-derived arterial input function for dynamic brain PET.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Dinamik pozitron emisyon tomografisi (PET) görüntülemesi, radyotraser kinetik modelleme ile birlikte beyindeki biyolojik süreçleri görselleştirmek için güçlü bir tekniktir ve Alzheimer ve Parkinson hastalıkları gibi beyin fonksiyonları ve nörolojik bozukluklar hakkında değerli bilgiler sunar. Doğru kinetik modelleme, tipik olarak invazif ve emek yoğun arteryel kan örneklemesi gerektiren metabolit düzeltilmiş arteryel giriş fonksiyonu (AIF) kullanımına dayanır. Alternatif non-invaziv yaklaşımlar önerilmiş olsa da, genellikle doğruluktan ödün verirler veya hala en az bir invazif kan örneklemesi gerektirirler. Bu çalışmada, herhangi bir kan örneklemesi olmadan, metabolit düzeltilmiş bir AIF'yi dinamik PET görüntü dizilerinden doğrudan tahmin edebilen derin bir öğrenme çerçevesi olan derin öğrenme türevi arteriyel giriş fonksiyonunu (DLIF) sunuyoruz. Mevcut dinamik PET hasta verilerini kullanarak DLIF'i doğruladık. DLIF ve sonuçta ortaya çıkan parametrik haritaları yer gerçeği ölçümlerine kıyasla karşılaştırdık. Değerlendirmemiz, DLIF'in doğru ve sağlam AIF tahminine ulaştığını göstermektedir. Derin öğrenmenin karmaşık zamansal dinamikleri yakalama yeteneğinden yararlanarak ve temel işlevler aracılığıyla tipik AIF şekillerinin önceden bilgisini birleştirerek, DLIF geleneksel AIF ölçüm yöntemlerine hızlı, doğru ve tamamen invaziv olmayan bir alternatif sunar.

Özgün kaynak özetini okuyun

Dynamic positron emission tomography (PET) imaging combined with radiotracer kinetic modeling is a powerful technique for visualizing biological processes in the brain, offering valuable insights into brain functions and neurological disorders such as Alzheimer's and Parkinson's diseases. Accurate kinetic modeling relies heavily on the use of a metabolite-corrected arterial input function (AIF), which typically requires invasive and labor-intensive arterial blood sampling. While alternative non-invasive approaches have been proposed, they often compromise accuracy or still necessitate at least one invasive blood sampling. In this study, we present the deep learning-derived arterial input function (DLIF), a deep learning framework capable of estimating a metabolite-corrected AIF directly from dynamic PET image sequences without any blood sampling. We validated DLIF using existing dynamic PET patient data. We compared DLIF and resulting parametric maps against ground truth measurements. Our evaluation shows that DLIF achieves accurate and robust AIF estimation. By leveraging deep learning's ability to capture complex temporal dynamics and incorporating prior knowledge of typical AIF shapes through basis functions, DLIF provides a rapid, accurate, and entirely non-invasive alternative to traditional AIF measurement methods.

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.