PET so schnell wie CT: Nachrekonstruktion durch Künstliche Intelligenz für ultrakurze Ga-68-PSMA-11 PET Aufnahmen

Ziel/Aim: Neuronale Netze können PET Bilder, die mit kurzen Akquisitionszeiten aufgenommen wurden, verbessern. Bislang wurden überwiegend Scanzeitreduktionen um den Faktor 2-10x angestrebt. In dieser Arbeit wurde ein neuronales Netz dazu trainiert, ultrakurze PSMA-PET Aufnahmen zu verbessern. Diese synthetischen Aufnahmen wurden mit den ultrakurzen Aufnahmen verglichen, wobei die klinischen Standardaufnahmen als Goldstandard verwendet wurden.

Methodik/Methods: Es wurden 357 Ganzkörper Ga-68-PSMA-11 PET Datensätze von Prostatakarzinom Patienten mit je einem Standard und einem ultrakurzen Scan (Ganzkörper-Akquisitionszeit circa 25 s auf einem digitalen Biograph Vision PET) verwendet. 286 Datensätze wurden zum Training eines modifizierten pix2pixHD Netzwerks (Generative Adversarial Netzwerk mit Feature-Matching Loss-Funktion) und 71 Datensätze als Testkohorte verwendet. Es erfolgten eine Regionen-basierte Auswertung der Detektierbarkeit nach der miTNM Klassifikation (PROMISE V2) sowie eine Analyse der Quantifizierung.

Ergebnisse/Results: Die Regionen-basierte Detektionsrate wurde für die Regionen T (69.6% vs. 43.5%), N (46.3% vs. 27.8%), M1a (64.4% vs. 47.5%) und M1b (85.7% vs. 72.1%) durch die KI signifikant verbessert (p<0.05, p<0.01, p<0.01, p<0.01), wohingegen für M1c (42.9% vs. 28.6%) kein signifikanter Unterschied beobachtet wurde. Die Quantifizierung der PET Daten wurde deutlich verbessert: Die ultrakurzen und die Standard PET Bilder waren signifikant in allen TNM Kategorien verschieden, wohingegen zwischen den synthetischen und den Standard PET Bildern nur die T-Kategorie einen signifikanten Unterschied aufwies. Läsionen, die im synthetischen PET verpasst wurden, wiesen kleinere SUV_max Werte und Läsionsgrößen auf, als nicht verpasste Läsionen (exemplarisch für das N-Stadium SUV_max: 9.5 vs. 26.5, 0.3 vs. 1.0 cm).

Schlussfolgerungen/Conclusions: Das neuronale Netz verbesserte die Detektionsrate im Mittel um etwa 15%. Die nicht signifikant verbesserte Detektionsrate für das M1c Stadium zeigt, dass mehr Trainingsdaten zur Verbesserung bei seltenen Lokalisationen benötigt werden.

Publication History

Article published online:
25 March 2024