利用非增强CT图像模拟头颈癌氟脱氧葡萄糖摄取的深度学习流程:无需注射放射性示踪剂
基于298例头颈鳞状细胞癌患者的配对FDG-PET与CT图像,随机森林模型可利用CT影像组学特征区分不同FDG摄取区域,Cycle-GAN可将非增强CT转换为模拟SUV图。模拟SUV图在PERCIST v.1指标上略低估肿瘤摄取,但预测局部复发、远处转移和生存的效能与真实FDG-PET图像无显著差异。
要点
- CT影像组学特征可区分肿瘤、瘤周低摄取区和甲状腺等不同代谢活性区域。
- Cycle-GAN可由非增强CT生成模拟SUV图,肿瘤负荷与真实图像相似。
- 模拟SUV图预测局部复发、远处转移和生存的AUC与真实FDG-PET无显著差异。
核心结论
- 该流程展示了无需放射性示踪剂、仅用非增强CT模拟头颈鳞状细胞癌FDG摄取的深度学习方法,模拟图像预测临床结局的准确性与FDG-PET图像相当。
研究设计与样本
- 利用癌症影像档案库中298例确诊头颈鳞状细胞癌患者的配对FDG-PET与CT图像,患者来自加拿大魁北克省四家机构的前瞻性招募队列。
关键影像表现/征象
- 肿瘤区域SUV显著高于非肿瘤组织(6.03 ± 1.7 vs. 3.21 ± 1.00,p < 0.001)。
- CT图像中肿瘤区域平均HU强度低于邻近非肿瘤组织(p < 0.01)。
- 肿瘤内高FDG摄取区CT的HU强度显著低于低FDG摄取区(p < 0.01)。
- 高FDG摄取区平均肿瘤体积(8.29 × 10³ ± 9.3 × 10³ mm³)显著大于低FDG摄取区(6.39 × 10³ ± 7.8 × 10³ mm³,p = 0.009)。
诊断标准与关键数值
- 实验1A中模型I(一阶特征—CT)区分高与 negligible FDG摄取的AuROC为0.87 ± 0.1,加入滤波图像一阶特征后模型II的AuROC为0.93 ± 0.1(p < 0.001)。
- 实验1B中模型I(一阶特征—基于图像)区分肿瘤内高与低FDG摄取的AuROC为0.79 ± 0.13,加入滤波图像一阶特征后模型II的AuROC为0.83 ± 0.14(p < 0.01)。
- 模拟SUV图中SUV0(2.20 ± 0.78)、SUV50(5.95 ± 2.15)和SUVMax(9.89 ± 0.38)均低于真实值(SUV0:2.40 ± 0.64,SUV50:6.62 ± 1.71,SUVMax:9.98 ± 0.15),Bland–Altman偏倚分别为11.7%[95%CI − 41.7 to 65.2%]、14.3%[95%CI − 40.5 to 69.2%]和1.8%[95%CI − 9.7 to 12.1%]。
- 模拟SUV图预测肿瘤负荷(3.16 × 10⁴ ± 2.73 × 10⁴ mm³)与金标准(3.01 × 10⁴ ± 2.60 × 10⁴ mm³)相似(p = 0.51)。
- 局部复发分类AuROC为真实SUV图0.60 ± 0.01 vs 模拟SUV图0.59 ± 0.02(p = 0.35);远处转移为0.82 ± 0.02 vs 0.79 ± 0.01(p = 0.20);患者死亡为0.63 ± 0.01 vs 0.62 ± 0.02(p = 0.13)。
临床应用与阅片要点
- 作者认为该流程可从不需注射示踪剂的CT图像中检测恶性病变。
- 作者指出该流程可应用于其他需要PET成像的病变。
局限性
- 原文提到PET/CT存在运动伪影可能妨碍正确配准并降低图像临床价值。
- 原文提到PET/CT的局限性包括辐射暴露增加和患者内在变异(如基础代谢率、放射性核素剂量、注射与成像间隔时间等)。
- 原文指出模拟SUV图低估肿瘤区域FDG摄取,Bland–Altman偏倚分析显示SUV0、SUV50和SUVMax的95%CI较宽。
全文中译18 节 · 点击展开
要点
CT衍生的影像组学特征在不同代谢活动区域存在显著差异。
深度学习生成对抗网络可用于模拟FDG摄取。
由CT生成的PET图像能够准确预测临床结局。
该方法无需PET成像即可检测恶性病变。
引言
正电子发射断层扫描(PET)是一种可用于可视化异常代谢活动的成像方式。这在根据形态学不显现病理特征的生物组织中尤为重要[1]。它是一种被广泛采用的临床工具,用于多种恶性肿瘤的诊断、分期和随访(肺结节[2]、黑色素瘤[3]、头颈部鳞状细胞癌[4, 5]等)。它为临床医生提供了治疗效果半定量表征,并可用于指导进一步治疗[1, 6, 7]。
此类恶性组织的特征为快速增殖/血管生成、体积增大、局部侵袭和远处转移[8]。在分子水平上,恶性细胞由于酶活性上调而葡萄糖利用增加。因此,注射基于葡萄糖的放射性核素氟脱氧葡萄糖(FDG)可用于识别这些代谢活跃的异常组织。FDG进入恶性组织的摄取率已被证明与其代谢活动成正比[1]。然而,与葡萄糖不同,FDG未被完全代谢并被困在活跃细胞内。FDG的这种蓄积在PET图像中表现为“热点”,从而能够进行适当的病变识别。
通常,PET图像与平扫计算机断层扫描(CT)图像一同获取,以便将代谢活动增加的区域与其 underlying 解剖结构进行定位。并排比较或将独立获取的PET刚性对齐/配准到CT图像的算法是最早实施的方法[7, 9]。然而,PET图像显示的解剖标志很少,无法与结构图像直接关联。此外,与设备、方案和数据采集时间点差异相关的变异性(例如患者重新定位、不自主/自主运动)限制了比较。目前的金标准涉及使用混合PET/CT设备。这些设备允许同时采集PET和CT图像并进行内在融合,且用户交互最少。将功能(PET)和解剖(CT)信息共配准提高了肿瘤评估的特异度/敏感度,并已被证明可提高决策的临床信心。这一进步鼓励了功能成像的接受和广泛实施[4, 9, 10]。
尽管PET/CT成像有许多优点,但该技术存在局限性。成像研究之间的运动伪影可能妨碍正确共配准并降低所获图像的临床价值[1, 7, 11, 12]。其他局限性包括(1)辐射暴露增加,以及(2)患者内在变异性(例如基础代谢率、放射性核素剂量、注射与成像之间的持续时间等)[13]。
在分子水平上,恶性肿瘤组织在内含物超微结构、组织结构以及代谢活性方面与健康组织存在显著差异[8]。在此,我们假设从非增强CT获取的原始数据包含足够的信息,能够区分具有不同FDG摄取的区域,如同PET扫描所能检测到的那样。我们进一步假设,利用生成模型从非增强CT扫描模拟FDG摄取(即“伪PET扫描”)是可行的,无需注射放射性示踪剂。我们最近报道了一个深度学习流程,使用生成模型完成类似的医学图像转换任务(在无静脉注射对比剂的情况下模拟增强计算机断层扫描(CT))[14]。
材料与方法
患者人群
在本研究中,我们使用了298例确诊为头颈部鳞状细胞癌(HNSCC)患者的配对FDG-PET和CT图像集,这些患者是从加拿大魁北克省四家不同机构前瞻性招募的。Vallières等人[5]利用该临床队列研究了放射组学方法在肿瘤进展风险评估中的作用。完整数据集已通过癌症影像档案(TCIA)公开发布,网址为http://www.cancerimagingarchive.net。本研究的详细信息,包括每位患者的特征和临床结局,在附加文件1:方法(附加文件1:表S1)中有详细阐述,且与已发表文献[5]一致。本研究中使用的标准摄取值计算、图像对齐/配准(CT与PET)以及肿瘤分割方法在补充材料中有重点说明。
从组织分割中提取放射组学特征
在MATLAB中将各向异性图像和分割掩膜重采样为各向同性大小的体素(图像设置/体素大小:1 mm、2 mm、3 mm、4 mm和5 mm)。放射组学特征提取的参数设置包括五个预定义的以Hounsfield单位表示的直方图箱宽(5、10、15、20和25 HU)。所有放射组学特征均使用Pyradiomics(一个开源Python软件包)提取[15]。对于每一组图像和参数设置,计算了18个一阶特征、68个二阶特征和1118个基于滤波器的特征。每个感兴趣区(ROI)共产生30,100个特征((86个一阶/二阶特征 + [86 * 13幅滤波图像])× 5种各向同性设置 × 5种箱宽设置)。关于放射组学特征提取的详细信息可在补充材料中找到。实验1A和1B的完整流程如图1a所示。
在实验1A中,从FDG摄取增高的肿瘤区域和FDG摄取可忽略/低的区域[(1)邻近肿瘤组织和(2)甲状腺组织]提取影像组学特征。同样,在实验1B中,从每个代谢活跃肿瘤内FDG高摄取和低摄取区域提取影像组学特征。特征提取后,患者被分为训练队列(n = 194)和测试队列(n = 104)。该划分与Vallieres等人[5]所进行的划分相同。鉴于每名患者可能有多个肿瘤热点,训练队列和测试队列基于患者进行划分以防止数据泄漏。这对于防止同一患者的不同肿瘤热点同时出现在训练队列和测试队列中非常重要。特征选择、模型训练和优化在训练队列上进行。引入测试队列以评估模型性能。
影像组学特征降维
对于实验1A和1B,使用不同组合的影像组学特征(× 图像设置(5) × 参数设置(5))训练了四种不同的模型。这些模型包括:I. 来自CT图像的一阶特征
来自CT + 滤波CT图像的一阶特征
来自CT图像的一阶/二阶特征
来自CT + 滤波CT图像的一阶/二阶特征
对于每个模型,使用MATLAB中的最小冗余最大相关(MRMR)算法对特征进行排序。每个模型的前25个特征被选择用于模型训练和优化。关于实验1A和1B影像组学特征提取的详细说明见补充材料。
基于影像组学特征对FDG摄取的随机森林分类
针对每个实验,模型I–IV在包含194例患者的训练队列上使用适当的特征集并通过十折交叉验证方法进行训练。在测试队列上使用受试者工作特征(ROC)曲线分析评估预测性能。计算ROC曲线下面积(AuROC)以比较模型性能。
生成模型:非对比CT至SUV图像转换
深度学习架构与模型训练
使用生成对抗网络完成此非对比图像至SUV图像的转换任务。此类网络是一类深度学习(DL)架构,其中两个神经网络同时训练,一个网络专注于数据生成(生成器),另一个网络专注于数据判别(判别器)。这些网络相互竞争,以更好地学习训练数据的潜在统计分布。在此,我们实现了一个Cycle-GAN,它学习两个分布之间的转换,而无需样本之间的直接配对。我们此前已将Cycle-GAN架构应用于CT图像对比度增强的模拟[14]。
有关模型架构及相关训练细节的具体内容见附加文件1:方法。采用三折交叉验证范式,训练/测试数据按200:98例患者(约8400:约3900个二维轴位切片)划分。训练和验证期间的模型性能通过生成SUV图与真实SUV图之间的均方根误差(RMSE)差值进行评估。该指标广泛用于图像转换任务,因为它评估图像对之间的逐像素差异。
模型评估:Cycle-GAN生成的SUV图准确性的技术评估
Cycle-GAN生成的SUV图中的肿瘤使用与真实SUV图相同的基于阈值的分割标准进行分割。生成SUV图的技术准确性通过提取实体瘤PET疗效标准(PERCIST,第1版)所支持的标准进行评估,该标准用于监测肿瘤进展和治疗反应[16]。对每例患者,提取四项临床重要指标并与真实值进行比较:(1)最小SUV(SUV0)、(2)第50百分位SUV(SUV50)、(3)最大SUV(SUVMax)和(4)肿瘤负荷/体积(单位:mm3)。对每个测试折进行Bland–Altman图和相关系数分析,以比较从生成SUV图和真实SUV图获得的值。
模型评估:使用模拟SUV图进行临床结局预测
使用模拟SUV图构建随机森林模型,以预测三项临床结局[(1)局部区域肿瘤复发,(2)远处转移,(3)生存]。本实验的主要目的是比较Cycle-GAN模拟SUV图与真实(GT)SUV图之间的预测准确性。该分析与Vallières等人[5]所进行的分析一致,并在图1b中可视化。
对每位患者,共提取了2150个影像组学特征。需要注意的是,在本实验中,肿瘤热点按患者分组,而非像实验1A和1B那样逐个分析。模型训练和评估采用了相同的训练集(n = 194)和测试集(n = 104)划分。使用软件DREES [5, 17]的逻辑回归工具将影像组学特征整合到多变量模型中。实施了逐步特征集缩减和选择方法。关于特征集缩减和选择的更多信息可在附加文件中找到。对每组特征,估计了预测性能,并为每个结局选择了前三个简约模型。为每个特征集[(1)GT-SUV图,和(2)Cycle-GAN模拟SUV图]及三个结局中的每一个所选出的简约模型,直接在预定义的测试集上进行了测试。比较生成的SUV图与GT之间的模型性能,以评估生成图像的预测能力。
结果
患者人群和SUV图特征
TCIA上有298例确诊为HNSCC的患者的影像(PET、CT)数据可用。从提供的PET图像生成标准摄取值图,以标准化患者间的测量。从298例患者中,分割出683个FDG摄取增高(SUV升高,6.03 ± 1.71)的热点,代表代谢活跃的肿瘤(原发和/或转移性淋巴结)。这些衍生的分割结果作为后续实验的基准真相。关于患者队列特征和SUV图转换的更多信息可在补充材料和先前发表的数据文档[5]中找到。
实验1A:CT图像中的影像组学特征可以区分FDG摄取增高区域与可忽略区域
肿瘤内的SUV显著高于非肿瘤组织(6.03 ± 1.7 vs. 3.21 ± 1.00,p < 0.001,附加文件1:图S3a)。在CT图像中,肿瘤内的平均Hounsfield单位(HU)强度低于邻近非肿瘤组织,如附加文件1:图S4b–c所示(p < 0.01)。这表明两个区域之间的HU分布可能存在差异,尽管是微妙的。
四个随机森林模型(实验1A:模型I–IV)在从CT提取的一阶和二阶影像组学特征的组合上进行训练,以分类SUV增高或可忽略的区域(图2a)。模型I(一阶—CT)的AuROC为0.87 ± 0.1,随着引入滤波图像的一阶特征而改善(模型II,一阶—CT + 基于滤波,AuROC—0.93 ± 0.1,p < 0.001)。纳入基于矩阵的影像组学特征进一步改善了分类性能。在研究肿瘤与甲状腺组织之间影像组学特征的差异时,观察到了相似的差异和模型性能(附加文件1:图S5)。
实验1B:CT中的放射组学特征可以区分单个肿瘤内的高FDG摄取与低FDG摄取
使用患者特异性SUV50阈值(SUV50:6.62 ± 1.71)将肿瘤进一步细分为两个区域:(1)高FDG摄取区域(n = 528,SUV:7.2 ± 2.0)和(2)低FDG摄取区域(n = 683,SUV:5.1 ± 1.6,附加文件1:图S4d)。鉴于使用患者特异性SUV50阈值来区分区域,肿瘤热点可能具有高FDG摄取、低FDG摄取或两者的组合。SUV高于第50百分位数的平均肿瘤体积(8.29 × 103 ± 9.3 × 103 mm3)显著大于低于第50百分位数的肿瘤体积(6.39 × 103 ± 7.8 × 103 mm3,p = 0.009)。在CT图像中,与FDG摄取较低的肿瘤区域相比,FDG摄取较高的肿瘤区域内观察到显著更低的HU强度(p < 0.01,附加文件1:图S4e、f)。
同样,四个随机森林模型(实验1B:模型I–IV)在从CT提取的一阶和二阶放射组学特征组合上进行训练,以对肿瘤内高FDG摄取或低FDG摄取区域进行分类(图2b)。模型I(一阶—基于图像)的AuROC为0.79 ± 0.13,通过引入滤波图像的一阶特征(模型II,一阶—基于图像+滤波,AuROC—0.83 ± 0.14,p < 0.01)得到改善。与实验1A中所见类似,纳入基于矩阵的放射组学特征(模型III、IV)进一步改善了分类性能。
实验2:从非增强CT模拟SUV图
针对此CT到SUV图图像转换任务实施了三重交叉验证平台。在模型训练期间,对于每一折,训练队列和测试队列的模拟SUV图图像与真实SUV图图像之间的RMSE分别降至0.30 ± 0.12和0.40 ± 0.15的平台期(附加文件1:表S2)。图3展示了生成的SUV图及其各自的金标准。可视化的误差是两组图像之间的差异,并突出了像素值的差异。每对图像的RMSE显示在底部。
模拟SUV图准确性的技术评估(PRECIST标准)
生成图肿瘤区域内的平均SUV0(2.20 ± 0.78)、SUV50(5.95 ± 2.15)和SUVMax(9.89 ± 0.38)显著低于真实值(SUV0:2.40 ± 0.64,SUV50:6.62 ± 1.71,SUVMax:9.98 ± 0.15)。随后,经Bland–Altman图分析测得的偏倚分别为11.7%[95% CI − 41.7至65.2%]、14.3%[95% CI − 40.5至69.2%]和1.8%[95% CI − 9.7至12.1%](图4a–c)。这些数值提示模拟SUV图低估了肿瘤区域内的FDG摄取。另一方面,每位患者的预测肿瘤体积/负荷(3.16 × 104 ± 2.73 × 104 mm3)与金标准(3.01 × 104 ± 2.60 × 104 mm3,p = 0.51)相似。比较GAN生成与金标准SUV图中肿瘤负荷百分比差异的BA图见图4d。
使用模拟SUV图预测临床结局
采用基于阈值的分割方法,在Cycle-GAN模拟SUV(Cycle-GAN-SUV)图中分离出高FDG摄取/SUV区域。针对每种图像参数组合,从Cycle-GAN-SUV图和真实SUV(GT-SUV)图中分别提取86个影像组学特征(一阶+二阶特征)(25)。在针对每种结局进行特征降维和选择之前,数据被分为训练队列(n = 194)和测试队列(n = 104)(图1b)。在全部三项临床参数中,使用GT-SUV图或Cycle-GAN-SUV图生成的模型进行结局预测均无差异(附加文件1:图S6)。对于局部区域复发的分类,AuROC为0.60 ± 0.01(GT-SUV图)和0.59 ± 0.02(Cycle-GAN-SUV图)(p = 0.35)。对于远处转移的分类,AuROC为0.82 ± 0.02(GT-SUV图)和0.79 ± 0.01(Cycle-GAN-SUV图)(p = 0.20)。对于患者死亡的分类,AuROC为0.63 ± 0.01(GT-SUV图)和0.62 ± 0.02(Cycle-GAN-SUV图)(p = 0.13)。所训练模型的完整描述见补充材料(附加文件1:表S3-S5)。纳入GT-SUV图的模型性能与Vallières等人[5]原始研究中观察到的性能相似(AUC、敏感性和特异性——附加文件1:表S6)。
讨论
我们最近证明了使用生成式深度学习模型在无需注射静脉造影剂的情况下模拟增强CT图像的可行性。与本文描述的工作流程类似,我们首先证明了血液与其他软组织成分在HU强度和影像组学特征方面的差异[14]。同样,分子水平上的异常组织在超微结构、组织组织和代谢活性方面与健康组织显著不同。这些改变的特征已被证明在宏观形态结构发生变化之前就已存在,并可能反映组织衰减系数的变化。因此,我们假设从平扫CT获取的原始数据可用于识别代谢活性异常的区域。
一般来说,影像组学采用先进的数据表征算法来提取预定义感兴趣区域内基于像素的关系。除平均HU强度外,这些视觉上难以区分的区域之间的差异可以通过一阶和二阶影像组学特征的组合来捕获。作为第一个目标,我们证明了CT图像中FDG活性可忽略、低和高区域之间存在显著的影像组学差异(实验1A-B)。这些差异支持了该图像转换任务的有效性。训练好的深度学习生成网络很可能在模型训练过程中学习了这些高阶信息。
第二个目标是研究深度学习生成网络能否稳健地提取诊断为头颈部鳞状细胞癌(HNSCC)患者软组织成分之间的细微差异,并生成FDG摄取的视觉化图像。为此任务,使用标准摄取值(SUV)图来视觉化FDG摄取。这些图通过标准化患者体重、放射性药物剂量(FDG)以及注射与成像之间的时间间隔,从PET图像中导出。这些变量考虑了PET成像内的潜在变异来源。
在cycle-GAN的训练/优化过程中采用了三折交叉验证方法。训练/验证队列与测试队列之间没有数据泄漏,确保患者及其各自的肿瘤要么存在于训练队列中,要么存在于测试队列中。该深度学习算法的2D输入数据通过从较大的患者体积中提取2D 144 mm × 144 mm感兴趣区域,从3D CT和SUV图中导出。这些边界条件由用于评估CT与PET图像之间配准精度所获得的患者轮廓定义。此外,该分割用于从患者中去除 underlying table,尤其是在CT图像内。鉴于这些扫描来自多个中心,使用不同制造商的PET/CT机器,患者躺卧的床板差异很大。此外,随着轴位切片从头部向胸部移动,床板的2D轴位视图显著变化。从患者体积内分离输入切片可防止生成网络遇到(1)空切片,(2)患者比例较小的切片,以及(3)床板布局高度可变的切片。这最大化了GAN网络所学习的信息。
我们表明,经过训练的循环生成对抗网络(cycle-GAN)能够从常规非增强CT中实现类似PET的输出可视化,而无需获取配对的PET图像。采用PERCIST标准的一个子集来评估生成的SUV图在识别这些肿瘤热区方面的临床质量。生成的图像与GT-SUV图像之间肿瘤热区的体积相似。这表明该生成方法能够区分健康组织与FDG摄取改变的组织。本研究首次展示了无需注射放射性示踪剂即可从非增强CT中分离并表征代谢活性改变的肿瘤组织的能力。CT衍生的PET肿瘤“热区”可视化可作为一种潜在的低成本筛查方法,用于判断患者是否需要进一步更全面的PET成像。
值得注意的是,肿瘤和非肿瘤区域是根据PET扫描(PET-CT的)上FDG摄取亲和性(SUV)来定义的。特定组织对FDG摄取的亲和性(即PET上的SUV图)与其葡萄糖代谢成正比。代谢活性代表组织的“功能”状态,因此在本手稿中如此引用。
尽管模拟SUV图相对于GT-SUV图倾向于低估肿瘤区域内的FDG摄取,但它们能够以与实际PET扫描相同的准确度预测临床结局。使用GT-SUV图预测临床结局的方法和分析改编自Vallières等[5, 17]。他们的结果确定了用于预测每种临床情景的影像组学特征组合。采用相同的统计方法进行特征降维和选择,我们确定了一组影像组学特征,能够在预定义的测试队列中产生相似的临床结局。需要注意的是,我们的模型在局部区域复发方面的性能略高(AuROC:0.60),高于Vallières等报告的结果(AuROC:0.58)。性能略有提升的原因可能在于影像组学特征提取的差异。我们的研究为每位患者提取了共2,150个特征(原发肿瘤+淋巴结)——25个参数组合的18个一阶特征+68个二阶/纹理特征。另一方面,他们的研究从每位患者中提取了共1,615个特征(40个参数组合的10个一阶特征+5个形状特征+40个二阶/纹理特征)。无论如何,这些结果支持使用这种CT到SUV图像变换方法,来获取诊断为头颈部鳞状细胞癌(HNSCC)患者体内代谢活性的临床相关表征。
这种生成方法的一个主要局限性可能影响模型性能,即头颈部区域内肿瘤位置/病理(例如HPV状态)的变异性。肿瘤这种固有的病理变异性可能不利地影响生成算法区分信号与噪声的能力。医学图像转换任务中生成网络的其他实例则局限于更为规律出现的表型或病理[14]。另一个局限性是输入的非增强CT图像(混合PET-CT中的CT成分)固有的低分辨率,以及不同机构之间成像方案的差异。提高生成PET图像在FDG摄取方面的准确性以及三维实现是一个正在积极研究的领域。我们能够使用低分辨率CT扫描得出这些结果,这进一步增强了我们对深度学习方法全部潜力的信心。
结论
我们提出了一种深度学习流程,能够在不使用放射性示踪剂的情况下从非增强CT图像生成类PET输出。该生成算法捕获了不同FDG摄取区域(例如肿瘤/转移性淋巴结 vs. 甲状腺组织)之间影像组学特征的定量差异。此类结果能够使用低分辨率CT扫描(取自历史PET-CT扫描)得出,这进一步增强了我们对深度学习方法全部潜力的信心。本文所呈现的工作为进一步研究减少/消除癌症成像中对放射性示踪剂注射的需求提供了基础。
补充信息
附加文件1:补充图表。
引用
- Chandrashekar A, Handa A, Ward J, et al. A deep learning pipeline to simulate fluorodeoxyglucose (FDG) uptake in head and neck cancers using non-contrast CT images without the administration of radioactive tracer. Insights Imaging. 2022. PMID: 35286501. doi:10.1186/s13244-022-01161-3
- 全文:PMC8921434(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8921434/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。