使用纵向感知分割网络对儿科霍奇金淋巴瘤患者系列 PET/CT 图像的自动量化

$\textbf{目的}$：对淋巴瘤患者 PET 扫描中纵向变化的自动量化已被证明极具挑战性，因为治疗中期扫描中的残留疾病通常很微妙且难以检测。我们的目标是开发一种纵向感知分割网络（LAS-Net），以对儿科霍奇金淋巴瘤患者的系列 PET/CT 图像进行量化。$\textbf{材料与方法}$：这项回顾性研究纳入了 enrolled in 两个儿童肿瘤组临床试验（AHOD1331 和 AHOD0831）的 297 名患者的基线（PET1）和治疗中期（PET2）PET/CT 图像。LAS-Net 结合了纵向交叉注意力，允许来自 PET1 的相关特征为 PET2 的分析提供信息。模型性能使用 PET1 的 Dice 系数和 PET2 的检测 F1 分数进行评估。此外，我们提取并比较了定量的 PET 指标，包括 PET1 中的代谢肿瘤体积（MTV）和总病灶糖酵解（TLG），以及 PET2 中的 qPET 和 $\Delta$SUVmax，并与医生的测量结果进行了对比。我们使用 Spearman's $\rho$ 相关性量化了它们的一致性，并采用自助法重采样进行统计分析。$\textbf{结果}$：LAS-Net 在 PET2 中检测残留淋巴瘤的 F1 分数为 0.606（精确率/召回率：0.615/0.600），优于所有比较方法（P<0.01）。对于基线分割，LAS-Net 的平均 Dice 分数为 0.772。在 PET 量化中，LAS-Net 对 qPET、$\Delta$SUVmax、MTV 和 TLG 的测量与医生测量结果高度相关，Spearman's $\rho$ 分别为 0.78、0.80、0.93 和 0.96。在外部测试队列中，性能保持较高水平，仅有轻微下降。$\textbf{结论}$：LAS-Net 在量化跨系列扫描的 PET 指标方面表现出显著改进，突显了纵向感知在评估多时间点成像数据集方面的价值。