Deep Active Learning Model for Adaptive PET Attenuation and Scatter Correction in Multi-Centric Studies
Notice bibliographique
Résumé
Quantitative PET imaging requires multiple steps including attenuation and scatter correction (ASC), commonly carried out using anatomical images (CT, MRI). Clinical centers are equipped with different scanners and use different acquisition/reconstruction protocols, and these may vary over time in a given center. As new scanners and protocols emerge, deep learning model performance may deteriorate significantly, even for models built using large datasets, hence the need to update the models. The aim of the current study was to apply a deep active learning model for adaptive PET attenuation and scatter correction in multi-centric studies. We enrolled 111018F-FDG and 95068Ga-PSMA PET/CT images from 3 and 4 different centers, respectively. We implemented a deep residual network architecture with 20 blocks for different-level feature extractions. First, the deep neural network was trained on18F-FDG PET images. Since the radiotracer distribution is different from68Ga-PSMA PET, we used body fine tuning transfer learning to transfer ASC knowledge between radiotracers. We build deep learning-based ASC models on68Ga-PSMA and then applied active learning approaches to build center-specific ASC model. We trained a 2D deep neural network for direct generation of CT-based attenuation corrected PET images from non-attenuation-scatter corrected (NAC) images of68Ga-PSMA patients. For model evaluation, voxel-wise mean error (ME), mean absolute error (MAE), relative error (RE%), absolute relative error (ARE%) and structural similarity index (SSIM) were calculated between ground truth CT-based attenuation/scatter corrected and predicted PET images using the deep learning algorithm.We achieved a ME of 0.22±0.05, MAE of 0.80±0.05, RE of 2.72±7.5%, ARE of 10.0±4.5% and SSIM of 0. 98±0.02 in the test set. Overall, we applied transfer learning to transfer knowledge between different PET radiotracers and built specific models for each center separately using active learning approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».