机器学习导出的血液输入用于大鼠心脏动态 PET 图像
图像与视频处理
2025-05-22 v1 机器学习
摘要
对 n=52 只大鼠（包括 26 只对照 Wistar-Kyoto (WKY) 大鼠和 26 只实验性自发性高血压大鼠 (SHR)）进行了动态 FDG PET 成像研究，使用 Siemens microPET 和 Albira 三模态扫描仪在 1、2、3、5、9、12 和 18 月龄时纵向进行。开发了一个 15 参数双输出模型，用于校正溢出污染和部分容积效应，采用峰值拟合代价函数，以同时估计动态 FDG PET 图像在体大鼠心脏的模型校正血液输入函数（MCIF）和动力学速率常数。该模型的主要缺点在于其依赖于图像导出输入函数（IDIF）的手动标注和计算 MCIF 所需关键模型参数的手动确定。为克服这些限制，我们进行了半自动分割，然后构建了一个长短期记忆（LSTM）单元网络，用于使用 IDIF 和心肌输入的拼接来训练和预测测试数据中的 MCIF，并与参考模型 MCIF 进行比较。沿二维平面切片采用两个阈值进行阈值分割，T1 代表高信号强度心肌，T2 代表低信号强度环，用于分割左心室血液池区域。所得 IDIF 和心肌用于计算所有数据集的对应参考（模型）MCIF。IDIF 和心肌构成了 LSTM 网络的输入。采用 33:8:11 分割和 5 折的 k 折交叉验证结构来创建模型并评估 LSTM 网络在所有数据集上的性能。为克服随时间步增加而导致的数据稀疏性，利用中点插值来增加时间点超过 10 分钟的数据点密度。采用中点插值的模型相对于之前的均方误差（MSE）实现了 56.4% 的提升。
引用
@article{arxiv.2505.15488,
title = {Machine Learning Derived Blood Input for Dynamic PET Images of Rat Heart},
author = {Shubhrangshu Debsarkar and Bijoy Kundu},
journal= {arXiv preprint arXiv:2505.15488},
year = {2025}
}