Bringer flyvetidskvalitet til ikke-TOF PET-billeder

PET-scannere bruger time-of-flight (TOF) teknologi til at reducere billedstøj og forbedre identifikation af kræftlæsioner. TOF fungerer ved at bruge tidsforskellen mellem detektion af de to PET-annihilationsfotoner til mere præcist at lokalisere annihilationshændelsen. Imidlertid har mange nuværende kliniske PET-scannere ikke TOF-kapacitet og går glip af den forbedrede diagnostiske sikkerhed, som det giver.

"Der er en betydelig omkostningsforskel mellem TOF og ikke-TOF PET-scannere på grund af de høje omkostninger ved den scintillator, der bruges til TOF," siger Daniel McGowan fra University of Oxford og Oxford University Hospitals NHS Foundation Trust, og bemærker, at en af ​​GE Healthcares mest succesrige produktlinjer er en ikke-TOF PET-scanner, Discovery IQ. "Vi anslår, at cirka en ud af tre PET/CT-steder i verden i øjeblikket ikke har adgang til TOF-teknologi."

For at udjævne disse vilkår bruger McGowan og samarbejdspartnere dyb læring for at bringe fordelene ved TOF til PET-billeder rekonstrueret uden TOF-information. Skrivning i European Journal of Nuclear Medicine and Molecular Imaging, beskriver de deres foreslåede deep learning for TOF-billedforbedring (DL-TOF) tilgang.

Holdet udviklede tre DL-TOF-modeller (baseret på U-Net-konvolutionelle neurale netværk) til at transformere ikke-TOF PET-data til tilsvarende TOF-lignende billeder. Modellerne brugte forskellige niveauer af TOF-styrke (lav, medium eller høj) for at afveje kontrastforbedring mod støjreduktion.

Forskerne bemærker, at det neurale netværk ikke tilføjer TOF-information til PET-sammenfaldsdataene, men snarere lærer det, hvordan TOF-information ændrer billedkarakteristika og derefter replikerer disse ændringer i ikke-TOF-inputbilleder. "Det er præcis den slags opgave, som deep learning-algoritmer gør meget godt," forklarer McGowan. "De kan finde mønstre i dataene og skabe den transformation, der producerer visuelt attraktive og kvantitativt nøjagtige billeder, der giver høj diagnostisk tillid til den rapporterende radiolog eller læge."

Modelvurdering

For at træne, validere og teste modellerne brugte holdet PET-data fra 273 helkrops-FDG-PET-onkologiske undersøgelser udført på seks kliniske steder med TOF-kompatible PET/CT-scannere. PET-dataene blev rekonstrueret ved hjælp af blok-sekventiel-regulariseret-forventning-maksimering (BSREM) algoritmen, med og uden TOF.

Efter træning evaluerede forskerne modellens ydeevne ved hjælp af et testsæt på 50 billeder. De undersøgte standardiserede optagelsesværdier (SUV'er) i 139 læsioner og normale områder af lever og lunger ved at bruge op til fem små læsioner og fem volumener af interesse i lungerne og leveren pr. forsøgsperson.

Sammenligning af output fra de tre DL-TOF-modeller med input-ikke-TOF-billeder viste, at modellerne forbedrede den overordnede billedkvalitet, reducerede støj og øgede læsionskontrasten. I det originale ikke-TOF-billede, læsions-SUV'en_max afveg fra mål-TOF-billedet med -28%. Anvendelse af DL-TOF lav, medium og høj modellerne resulterede i forskelle på henholdsvis -28%, -8% og 1.7%. Modellerne reducerede også forskelle i SUV_betyde fra 7.7 % til mindre end 2 % i lungerne og fra 4.3 % til under 1 % i leveren.

Diagnostisk applikation

Ud over den kvantitative evaluering vurderede tre radiologer uafhængigt testsættets billeder med hensyn til læsionsdetekterbarhed, diagnostisk sikkerhed og billedstøj/kvalitet. Billeder blev vurderet ud fra en Likert-skala, som spænder fra 0 (ikke-diagnostisk) til 5 (fremragende).

DL-TOF-højmodellen forbedrede signifikant læsionsdetekterbarhed og opnåede den højeste score af de tre modeller. Med hensyn til diagnostisk sikkerhed opnåede DL-TOF medium den bedste score, mens DL-TOF lav scorede bedst for billedstøj/kvalitet. I alle tilfælde overgik den bedst ydende model mål-TOF-billedet. Disse resultater fremhæver, hvordan DL-TOF-modellen kan skræddersyes til at balancere læsionsdetektion versus støjreduktion i henhold til billedlæserens præference.

"Samlet set giver DL-TOF-mediemodellen en bedre afvejning i vores testsæt, hvad angår diagnostisk sikkerhed, da lavere støj og forbedret detekterbarhed er ønskelige funktioner til en billedrekonstruktions- eller forbedringsteknik," skriver teamet.

Til sidst anvendte forskerne DL-TOF-modellerne på 10 undersøgelser erhvervet på en ikke-TOF PET-scanner for at illustrere generaliserbarheden af ​​de trænede modeller. Selvom der ikke var nogen sandhed eller målbillede til sammenligning, viste visuel inspektion, at billederne var fri for åbenlyse artefakter og udviste den forventede billedforbedring. Disse resultater tyder på, at modellerne kan arbejde på data fra scannere, der ikke var en del af algoritmetræningsdatasættet.

McGowan bemærker, at dette indledende arbejde fokuserede på FDG-PET for hele kroppen til onkologi, da dette er den vigtigste kliniske anvendelse af PET i dag. "Men fremkomsten af ​​nye sporstoffer og øget interesse for organspecifik billeddannelse tester vi i øjeblikket den eksisterende algoritme i forbindelse med disse nye applikationer, som ikke var repræsenteret i træningsdataene, og beslutter, om yderligere træning er nødvendig for at opnå tilstrækkelig ydeevne til andre indikationer,” fortæller han Fysik verden.

Stillingen Bringer flyvetidskvalitet til ikke-TOF PET-billeder dukkede først på Fysik verden.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/