基于人工智能的淀粉样蛋白PET成像中Gibbs伪影异常检测系统开发

为解决日本淀粉样蛋白正电子发射断层扫描(PET)站点认证中人工视觉评估的观察者差异问题，研究人员开发了三种AI异常检测方法（AutoEncoder、AnoGAN及AlexNet特征提取结合单类支持向量机）。基于10,207张正常图像和594张异常图像的验证显示，组合方法的AUC达0.99±0.01，显著提升检测客观性，有望减轻认证工作负担。

　　

日本淀粉样蛋白正电子发射断层扫描(PET)站点认证程序中，圆柱体模体的视觉评估需人工确认图像无伪影，但主观判断易导致观察者间差异。为建立客观标准，研究者开发了三种人工智能驱动的异常检测系统：自编码器(AutoEncoder)、生成对抗异常检测网络(AnoGAN)，以及结合AlexNet特征提取与单类支持向量机(one-class SVM)的混合方法。

实验数据涵盖128家机构提交的10,207张正常图像与8家机构的594张异常图像，采用分组五折交叉验证进行模型训练。受试者工作特征(ROC)分析显示，三种方法的曲线下面积(AUC)分别为0.80±0.04、0.77±0.03和0.99±0.01，其中AlexNet-SVM组合方案展现出近乎完美的判别性能。该技术突破不仅实现淀粉样蛋白PET图像质量的高精度自动化评估，更为日本站点认证体系提供了可量化的工作流优化方案，未来应用将显著降低人工审核负荷。