PSMA PET-MRI scanning for prostate cancer diagnosis

Abstract

Dokładne, specyficzne dla pacjenta mapy korekcji tłumienia (AC) w jednoczesnym obrazowaniu PET-MR stanowią wyzwanie ze względu na brak kontrastu kość-powietrze w obrazach MRI, szczególnie w obszarze miednicy. Chociaż obrazowanie Dixona poprawia kontrast tkanek miękkich, obecne metody segmentacji często błędnie klasyfikują kość. Celem tego badania jest udoskonalenie rekonstrukcji obrazu PET w przypadku raka prostaty poprzez wykorzystanie dokładnych map AC z obrazów Dixon-MR i CT przy użyciu nadzorowanej, wzmocnionej, generatywnej sieci kontradyktoryjnej (GAN). Ocena obejmowała obrazy CT i PET-MR pacjentów z rakiem prostaty, ocenę błędów na mapach AC i obrazach PET oraz badanie skuteczności metod głębokiego uczenia się. Metody MR oparte na DL wykazały większą dokładność segmentacji kości i lepszą rekonstrukcję obrazu PET w porównaniu z technikami konwencjonalnymi. Dodatkowo zaobserwowano silną odwrotną korelację pomiędzy wartościami ADC i SUV w strefach raka prostaty, co wskazuje na potencjał metod opartych na DL w poprawie obrazowania raka prostaty.

Accurate patient-specific attenuation correction (AC) maps in simultaneous PET-MR imaging are challenging due to the lack of bone-air contrast in MRI images, particularly in the pelvic region. Although Dixon imaging improves soft tissue contrast, current segmentation methods often misclassify bone. This study aims to enhance PET image reconstruction for prostate cancer by leveraging accurate AC maps from Dixon-MR and CT images using a supervised augmented generative adversarial network (GAN). Evaluation involved CT and PET-MR images from prostate cancer patients, assessing errors in AC maps and PET images, and exploring deep learning methods' performance. The DL-based MR methods exhibited higher accuracy in bone segmentation and improved PET image reconstruction compared to conventional techniques. Additionally, a strong inverse correlation between ADC and SUV values in prostate cancer zones was observed, indicating the potential of DL-based methods to enhance prostate cancer imaging.