基于深度学习分割方法从PSMA PET/CT图像中提取的定量测量的全面评估

本研究对来自自动化深度学习分割方法提取的定量测量进行全面评估，重点关注六个定量指标，即SUVmax、SUVmean、总病灶活度(TLA)、肿瘤体积(TMTV)、病灶计数和病灶扩散。我们分析了380例来自阴性前列腺特异性黏膜抗原(PSMA)靶向[18F]DCFPyL PET/CT检查的患者（阴性复发），训练了深度神经网络U-Net、Attention U-Net和SegResNet，并使用四种损失函数：Dice Loss、Dice Cross Entropy、Dice Focal Loss以及我们提出的L1加权Dice Focal Loss(L1DFL)。评估结果表明，Attention U-Net配合L1DFL与真实值之间相关性最强(SUVmax和TLA的concordance correlation系数为0.90-0.99)，而采用Dice Loss及其他两种复合损失函数的模型，尤其是SegResNet，表现不佳。等价性检验(TOST, alpha=0.05, Delta=20%)确认了SUV指标、病灶计数和TLA的高性能，其中L1DFL的性能最佳。相比之下，肿瘤体积和病灶扩散表现出更大的变动性。Bland-Altman、Coverage Probability和Total Deviation Index分析进一步表明，我们提出的L1DFL最小化了对临床测量真实值进行定量化的变动性。代码已公开可访问：https://github.com/ObedDzik/pca_segment.git。