动态PET中基于生理的药代动力学建模的自监督学习
图像与视频处理
2023-05-19 v1 机器学习
摘要
动态正电子发射断层成像（dPET）提供示踪剂的时间分辨图像，从而实现生理过程的定量测量。对时间活性曲线（TAC）进行体素级基于生理的药代动力学（PBPK）建模可为临床工作流提供相关诊断信息。传统的TAC拟合策略速度慢且忽略相邻体素间的空间关系。我们训练了一个时空UNet，以根据来自F-18-氟脱氧葡萄糖（FDG）dPET的TAC估计动力学参数。本工作引入了一种自监督损失形式，以强制测量的TAC与由学习到的动力学参数生成的TAC之间的相似性。我们的方法在器官级别上提供了与显著更慢的传统方法定量可比的结果，同时生成与预期生理一致的像素级参数图像。据我们所知，这是首个允许与非线性动力学模型一致的体素级动力学参数计算的自监督网络。代码将在接受后公开可用。
引用
@article{arxiv.2305.10569,
title = {Self-Supervised Learning for Physiologically-Based Pharmacokinetic Modeling in Dynamic PET},
author = {Francesca De Benetti and Walter Simson and Magdalini Paschali and Hasan Sari and Axel Romiger and Kuangyu Shi and Nassir Navab and Thomas Wendler},
journal= {arXiv preprint arXiv:2305.10569},
year = {2023}
}