Objectives

這項研究定量評估了兩種由製造商開發的用於 PET/CT 成像的深度學習 (DL) 影像增強演算法：deep learning enhancement (DLE) 和 deep-learning time of flight (DLT，已商業化為 Precision DL)。
評估使用了從體模和肉瘤患者 (N=20) 數據中提取的放射組學特徵，將 DL 增強影像與其輸入影像和具有 Time-of-Flight (TOF) 的「黃金標準」Block Sequential Regularisation Expectation Maximisation (BSREM) 重建進行比較。
該研究表明，DL 增強影像在數量上與它們所訓練模擬的「黃金標準」影像相似，超過 80% 的放射組學特徵沒有顯著差異。

Methodology

該研究使用了在 GE Discovery 690 或 710 PET/CT 掃描儀上獲取的肉瘤臨床 [18F]FDG 回顧性數據集 (N=20)，以及在 GE Discovery 710 PET/CT 掃描儀上對填充了 [18F]FDG 的模組化異質成像體模進行的五次重複採集。
為每次體模採集和患者研究生成了六組影像：帶濾波器的 Ordered Subset Expectation Maximisation (OSEM)、不帶濾波器的 OSEM、BSREM (non-TOF)、BSREM (TOF)（「黃金標準」）、不帶濾波器的 OSEM + DLE 和 BSREM (non-TOF) + DLT。
影像被重新採樣為等向體素 (3.27 x 3.27 x 3.27 mm3)。體模影像已配準到參考採集。腫瘤體積由經驗豐富的放射科醫生分割。
使用 pyradiomics 提取了 93 個 International Biomarker Standardisation Initiative (IBSI) 標準化的放射組學特徵。
統計分析包括配對 t 檢驗（體模）和百分比差異的 t 檢驗（患者），並進行 Bonferroni 校正 (pcritical = 0.0005) 以比較影像集之間的放射組學特徵。

在體模數據中，將 DL 增強影像與「黃金標準」進行比較，DLE 和 DLT 分別有 4.0% 和 7.6% 的放射組學特徵顯著不同 (pcritical < 0.0005)。
在患者數據中，將 DL 增強影像與「黃金標準」進行比較，DLE 和 DLT 分別有 0.0% 和 19.4% 的放射組學特徵顯著不同。
將 DL 增強影像與其輸入影像進行比較，觀察到更大的差異：DLE 和 DLT 分別為 29.3% 和 30.3%（體模）和 32.2% 和 53.7%（患者）。
在大多數比較中觀察到絕對百分比差異隨著體模細節尺寸的減小而增加的趨勢，表明在較小細節中噪聲占主導地位。

該研究設計良好，並解決了關於 DL 影像增強對放射組學特徵影響的重要問題。然而，該研究僅限於單個中心和相對較小的患者隊列 (N=20)。將研究擴展到包括多中心數據和更大、更多樣化的患者群體將增強研究結果的普遍性。
雖然使用異質體模是一個優勢，但該研究承認沒有體模可以完美地代表體內活動分佈。進一步研究體模特徵與臨床結果之間的關係可能是有益的。
作者注意到在體模數據中，隨著細節尺寸的減小，影響大小有增加的趨勢，這表明噪聲占主導地位。對不同重建方法的噪聲特徵及其對特定放射組學特徵的影響進行更詳細的分析將很有價值。
該研究使用了 Bonferroni 校正，這被認為是保守的。探索不太嚴格的校正方法可能會發現其他顯著差異，但作者正確地指出這不會改變主要發現。