84 / 2021-10-24 23:34:00

结合基于深度学习的剂量预测和自动勾画技术的PET/CT成像内照射器官剂量率的快速评估方法

PET，内照射剂量，深度学习

摘要：

目的：实现一种基于AI的患者PET/CT检查中内照射器官剂量率的快速评估，并且与蒙特卡洛方法对比。

材料和方法：首先基于患者特定时刻的PET/CT图像，使用蒙特卡洛程序GATE进行内照射剂量率计算，获得每个患者的剂量率分布图。随后，基于U-Net构建深度神经网络，将患者的CT和PET图像作为输入，GATE计算的剂量率图作为金标准进行训练。训练后的深度学习模型能够根据患者的CT和PET图像预测对应的剂量率分布。同时，使用勾画软件DeepViewer对患者CT图像中的器官和组织进行自动勾画，结合预测得到的剂量率分布结果计算相应器官和组织的吸收剂量率。本研究使用了50名患者的PET/CT数据，其中40个作为训练验证集，进行4折交叉验证，剩余10个作为测试集。将测试集结果与GATE和GPU蒙特卡洛工具ARCHER-NM进行对比。

结果与讨论：在自动勾画软件DeepViewer勾画的26个器官中，大部分器官的深度学习预测剂量率与GATE计算结果偏差在±10%以内，平均偏差绝对值低于3%。其中大脑、心脏、肝脏、左肺、右肺的平均偏差分别为4.6%，0.4%，1.9%，-0.6%，1.0%，与GATE具有较好的一致性。使用GATE程序进行每名患者的内照射剂量率计算平均用时4.2小时，而使用深度神经网络模型进行内照射剂量率预测平均每名患者用时13.5秒，平均加速比达到1204倍。和ARCHER-NM的对比表明，基于深度学习方法的剂量率预测稍有速度优势，但在结果的可解释性方面还需要改善。

结论：本文提出的利用深度学习预测PET/CT受检者内照射剂量率的方法为临床核医学快速、实时地计算人体内照射吸收剂量提供了一种新的解决方案。