Automatic Quantification of Serial PET/CT Images for Pediatric Hodgkin Lymphoma Patients Using a Longitudinally-Aware Segmentation Network

要約

$\textbf{目的}$: 中間治療スキャンにおける残存病変は多くの場合微妙で検出が難しいため、リンパ腫患者の PET スキャンにおける長期的な変化を自動的に定量化することは困難であることが判明しています。
私たちの目標は、小児ホジキンリンパ腫患者の連続 PET/CT 画像を定量化できる縦方向認識セグメンテーション ネットワーク (LAS-Net) を開発することでした。
$\textbf{材料と方法}$: この後ろ向き研究には、Children’s Oncology Group の 2 つの臨床試験 (AHOD1331 および AHOD0831) に登録された 297 人の患者からのベースライン (PET1) および中間 (PET2) PET/CT 画像が含まれていました。
LAS-Net には縦方向のクロスアテンションが組み込まれており、PET1 の関連機能から PET2 の分析に情報を提供できるようになります。
モデルのパフォーマンスは、PET1 の Dice 係数と PET2 の検出 F1 スコアを使用して評価されました。
さらに、PET1の代謝腫瘍体積（MTV）と全病変解糖（TLG）、PET2のqPETと$\Delta$SUVmaxなどの定量的PET指標を抽出し、医師の測定値と比較しました。
私たちは、スピアマンの $\rho$ 相関を使用してそれらの一致を定量化し、統計分析にブートストラップ リサンプリングを採用しました。
$\textbf{結果}$: LAS-Net は、F1 スコア 0.606 (精度/再現率: 0.615/0.600) で PET2 で残存リンパ腫を検出し、すべての比較手法を上回りました (P<0.01)。 ベースライン セグメンテーションでは、LAS-Net は平均 Dice スコア 0.772 を達成しました。 PET定量化では、LAS-NetによるqPET、$\Delta$SUVmax、MTV、TLGの測定値は医師の測定値と強い相関があり、Spearmanの$\rho$はそれぞれ0.78、0.80、0.93、0.96でした。 外部テストコホートでは、パフォーマンスはわずかに低下しましたが、高い水準を維持しました。 $\textbf{結論}$: LAS-Net は、連続スキャン全体にわたる PET メトリクスの定量化において高いパフォーマンスを達成し、複数時点の画像データセットを評価する際の長期的な認識の価値を強調しました。

要約(オリジナル)

$\textbf{Purpose}$: Automatic quantification of longitudinal changes in PET scans for lymphoma patients has proven challenging, as residual disease in interim-therapy scans is often subtle and difficult to detect. Our goal was to develop a longitudinally-aware segmentation network (LAS-Net) that can quantify serial PET/CT images for pediatric Hodgkin lymphoma patients. $\textbf{Materials and Methods}$: This retrospective study included baseline (PET1) and interim (PET2) PET/CT images from 297 patients enrolled in two Children’s Oncology Group clinical trials (AHOD1331 and AHOD0831). LAS-Net incorporates longitudinal cross-attention, allowing relevant features from PET1 to inform the analysis of PET2. Model performance was evaluated using Dice coefficients for PET1 and detection F1 scores for PET2. Additionally, we extracted and compared quantitative PET metrics, including metabolic tumor volume (MTV) and total lesion glycolysis (TLG) in PET1, as well as qPET and $\Delta$SUVmax in PET2, against physician measurements. We quantified their agreement using Spearman’s $\rho$ correlations and employed bootstrap resampling for statistical analysis. $\textbf{Results}$: LAS-Net detected residual lymphoma in PET2 with an F1 score of 0.606 (precision/recall: 0.615/0.600), outperforming all comparator methods (P<0.01). For baseline segmentation, LAS-Net achieved a mean Dice score of 0.772. In PET quantification, LAS-Net's measurements of qPET, $\Delta$SUVmax, MTV and TLG were strongly correlated with physician measurements, with Spearman's $\rho$ of 0.78, 0.80, 0.93 and 0.96, respectively. The performance remained high, with a slight decrease, in an external testing cohort. $\textbf{Conclusion}$: LAS-Net achieved high performance in quantifying PET metrics across serial scans, highlighting the value of longitudinal awareness in evaluating multi-time-point imaging datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google