Estudio: Corrección de atenuación de PSMA PET/CT de cuerpo entero basada en aprendizaje profundo utilizando Pix-2-Pix GAN

Un nuevo trabajo de investigación fue publicado en objetivo oncotitulado «Corrección de atenuación PSMA PET/CT de cuerpo entero basada en aprendizaje profundo utilizando Pix-2-Pix GAN».

La dosis de radiación limita los estudios secuenciales PET/CT a los que los pacientes oncológicos pueden someterse durante el seguimiento de su tratamiento.

En este nuevo estudio, investigadores del Instituto Nacional del Cáncer de los Institutos Nacionales de Salud propusieron una herramienta de inteligencia artificial (IA) para producir imágenes PET con atenuación corregida (AC-PET) a partir de imágenes PET sin atenuación corregida (NAC-PET) para reducir necesidad de exploraciones por TC de dosis baja.

«Las imágenes PET generadas por IA tienen potencial clínico para reducir la necesidad de tomografías computarizadas para corregir la atenuación, preservando al mismo tiempo los marcadores cuantitativos y la calidad de la imagen en pacientes con cáncer de próstata», escriben los investigadores.

Se desarrolló un algoritmo de aprendizaje profundo basado en la arquitectura de red generativa adversarial (GAN) 2D Pix-2-Pix a partir de imágenes AC-PET y NAC-PET emparejadas. Estudios PET-CT con 18F-DCFPyL PSMA (antígeno de membrana específico de la próstata) de 302 pacientes con cáncer de próstata divididos en cohortes de entrenamiento, validación y prueba (n = 183, 60, 59, respectivamente). Los modelos se entrenaron con dos estrategias de normalización: basada en el valor de absorción estándar (SUV) y basada en SUV-Nyul.

El rendimiento a nivel de escaneo se evaluó mediante el error cuadrático medio normalizado (NMSE), el error absoluto medio (MAE), el índice de similitud estructural (SSIM) y la relación señal-ruido máxima (PSNR). El análisis a nivel de lesión se realizó en regiones de interés de forma prospectiva por parte de médicos de medicina nuclear. Las métricas de SUV se evaluaron utilizando el coeficiente de correlación intraclase (ICC), el coeficiente de repetibilidad (RC) y el modelado lineal de efectos mixtos.

Las medianas de NMSE, MAE, SSIM y PSNR fueron 13,26 %, 3,59 %, 0,891 y 26,82, respectivamente, en la cohorte de prueba independiente. El ICC para SUVmax y SUVmean fueron 0,88 y 0,89, lo que indicó una alta correlación entre los marcadores de imágenes cuantitativos originales y los generados por IA. Se demostró que la ubicación de la lesión, la densidad (unidades Hounsfield) y la captación de la lesión afectan el error relativo en las métricas de SUV generadas (todos p <0,05).

«El modelo GAN Pix-2-Pix para generar AC-PET demuestra métricas de SUV que se correlacionan altamente con las imágenes originales. Las imágenes PET generadas por IA muestran potencial clínico para reducir la necesidad de tomografías computarizadas para corregir la atenuación y al mismo tiempo preservar los marcadores cuantitativos y la calidad de la imagen. » afirman los autores.

Proporcionado por Impact Journals LLC