用于动态小动物 [18F]FDG PET 成像中动脉输入函数预测的稳健且多功能的深度学习模型
图像与视频处理
2025-10-27 v2 计算机视觉与模式识别
医学物理
定量方法
摘要
动态正电子断层成像(PET)和动力学建模是推动小动物研究中示踪剂开发的关键因素。准确的动力学建模需要精确的输入函数估计，传统上通过动脉血采样实现。然而，对小动物如小鼠进行动脉 cannulation 涉及复杂、耗时且是终极程序，阻碍了纵向研究。本文提出一种非侵入式、基于全卷积深度学习的 method(FC-DLIF)，用于直接从 PET 成像预测输入函数，从而可能在动态小动物 PET 中消除血液采样的需求。所提出的 FC-DLIF 模型包括一个作用于 PET 序列体积时间帧的空间特征提取器，提取空间特征。这些特征随后在后续的时序特征提取器中进一步处理，用于预测动脉输入函数。该方法使用来自 [18F]FDG 数据的图像和动脉血曲线进行训练和评估，采用交叉验证。进一步评估了该模型在使用两种额外示踪剂收集的成像数据和动脉血曲线( [18F]FDOPA 和 [68Ga]PSMA)的适用性。该模型还在数据被截断和时间偏移的情况下进行评估，以模拟较短且时间偏移的 PET 扫描。结果表明，FC-DLIF 模型能够可靠地预测动脉输入函数，表现出良好的均方误差和相关性。此外，FC-DLIF 模型能够从被截断和偏移的样本中预测动脉输入函数。该模型无法从使用不同示踪剂收集的样本中预测 AIF，因为这些样本未在训练数据中表示。我们的深度学习方法提供了一种非侵入式且可靠的动脉血采样替代方案，证明其对时间偏移和不同扫描持续时间具有稳健和灵活性。
引用
@article{arxiv.2507.02367,
title = {A robust and versatile deep learning model for prediction of the arterial input function in dynamic small animal $\left[^{18}\text{F}\right]$FDG PET imaging},
author = {Christian Salomonsen and Luigi T Luppino and Fredrik Aspheim and Kristoffer K. Wickstrøm and Elisabeth Wetzer and Michael C. Kampffmeyer and Rodrigo Berzaghi and Rune Sundset and Robert Jenssen and Samuel Kuttner},
journal= {arXiv preprint arXiv:2507.02367},
year = {2025}
}
备注
21 pages, 14 figures