Time-of-Flight-Qualität für Nicht-TOF-PET-Bilder

PET-Scanner verwenden die Time-of-Flight (TOF)-Technologie, um Bildrauschen zu reduzieren und die Erkennung von Krebsläsionen zu verbessern. TOF nutzt die Zeitdifferenz zwischen der Detektion der beiden PET-Vernichtungsphotonen, um das Vernichtungsereignis genauer zu lokalisieren. Viele aktuelle klinische PET-Scanner haben jedoch keine TOF-Fähigkeit und verpassen die verbesserte diagnostische Zuverlässigkeit, die sie verleihen.

„Aufgrund der hohen Kosten des für TOF verwendeten Szintillators besteht ein erheblicher Kostenunterschied zwischen TOF- und Nicht-TOF-PET-Scannern“, sagt er Daniel McGowan von der University of Oxford und dem Oxford University Hospitals NHS Foundation Trust und stellte fest, dass eine der erfolgreichsten Produktlinien von GE Healthcare ein Nicht-TOF-PET-Scanner ist, der Discovery IQ. „Wir schätzen, dass etwa jeder dritte PET/CT-Standort weltweit derzeit keinen Zugang zur TOF-Technologie hat.“

Um diese Voraussetzungen zu schaffen, setzen McGowan und seine Mitarbeiter Deep Learning ein, um die Vorteile von TOF auf PET-Bilder zu übertragen, die ohne TOF-Informationen rekonstruiert wurden. Schreiben im Europäische Zeitschrift für Nuklearmedizin und molekulare Bildgebungbeschreiben sie ihren vorgeschlagenen Deep-Learning-Ansatz für die TOF-Bildverbesserung (DL-TOF).

Das Team entwickelte drei DL-TOF-Modelle (basierend auf U-Net Convolutional Neural Networks), um Nicht-TOF-PET-Daten in entsprechende TOF-ähnliche Bilder umzuwandeln. Die Modelle verwendeten unterschiedliche TOF-Stärken (niedrig, mittel oder hoch), um einen Kompromiss zwischen Kontrastverbesserung und Rauschunterdrückung einzugehen.

Die Forscher stellen fest, dass das neuronale Netzwerk den PET-Koinzidenzdaten keine TOF-Informationen hinzufügt, sondern lernt, wie TOF-Informationen die Bildeigenschaften verändern, und repliziert diese Änderungen dann in Nicht-TOF-Eingangsbildern. „Das ist genau die Art von Aufgabe, die Deep-Learning-Algorithmen sehr gut erledigen“, erklärt McGowan. „Sie können Muster in den Daten finden und die Umwandlung vornehmen, die visuell attraktive und quantitativ genaue Bilder erzeugt, die dem berichtenden Radiologen oder Arzt ein hohes diagnostisches Vertrauen geben.“

Modellbewertung

Um die Modelle zu trainieren, zu validieren und zu testen, verwendete das Team PET-Daten von 273 onkologischen Ganzkörper-FDG-PET-Untersuchungen, die an sechs klinischen Standorten mit TOF-fähigen PET/CT-Scannern durchgeführt wurden. Die PET-Daten wurden mit dem block-sequential-regularized-expectation-maximization (BSREM)-Algorithmus mit und ohne TOF rekonstruiert.

Nach dem Training bewerteten die Forscher die Modellleistung anhand eines Testsatzes von 50 Bildern. Sie untersuchten standardisierte Aufnahmewerte (SUVs) in 139 Läsionen und normalen Regionen von Leber und Lunge, wobei sie bis zu fünf kleine Läsionen und fünf interessierende Volumina in Lunge und Leber pro Person verwendeten.

Der Vergleich der Ausgaben der drei DL-TOF-Modelle mit den eingegebenen Nicht-TOF-Bildern zeigte, dass die Modelle die Gesamtbildqualität verbesserten, Rauschen reduzierten und den Läsionskontrast erhöhten. Im ursprünglichen Nicht-TOF-Bild der Läsions-SUV_max unterschied sich vom Ziel-TOF-Bild um –28 %. Die Anwendung der Modelle DL-TOF niedrig, mittel und hoch führte zu Unterschieden von –28 %, –8 % bzw. 1.7 %. Auch bei den SUV-Modellen verringerten sich die Unterschiede_bedeuten von 7.7 % bis weniger als 2 % in der Lunge und von 4.3 % bis unter 1 % in der Leber.

Diagnostische Anwendung

Zusätzlich zur quantitativen Bewertung bewerteten drei Radiologen die Bilder des Testsets unabhängig voneinander in Bezug auf Erkennbarkeit von Läsionen, diagnostische Zuverlässigkeit und Bildrauschen/-qualität. Die Bilder wurden basierend auf einer Likert-Skala bewertet, die von 0 (nicht diagnostisch) bis 5 (ausgezeichnet) reicht.

Das DL-TOF High-Modell verbesserte die Erkennbarkeit von Läsionen erheblich und erreichte die höchste Punktzahl der drei Modelle. In Bezug auf die diagnostische Sicherheit erzielte DL-TOF Medium die beste Punktzahl, während DL-TOF Low die beste Punktzahl für Bildrauschen/Bildqualität erzielte. In allen Fällen übertraf das leistungsstärkste Modell das Ziel-TOF-Bild. Diese Ergebnisse zeigen, wie das DL-TOF-Modell angepasst werden kann, um die Erkennung von Läsionen und die Rauschunterdrückung entsprechend den Vorlieben des Bildlesers auszugleichen.

„Insgesamt bietet das mittlere DL-TOF-Modell in Bezug auf die diagnostische Zuverlässigkeit einen besseren Kompromiss in unserem Testset, da ein geringeres Rauschen und eine verbesserte Erkennbarkeit wünschenswerte Merkmale für eine Bildrekonstruktions- oder -verbesserungstechnik sind“, schreibt das Team.

Schließlich wandten die Forscher die DL-TOF-Modelle auf 10 Untersuchungen an, die mit einem Nicht-TOF-PET-Scanner aufgenommen wurden, um die Verallgemeinerbarkeit der trainierten Modelle zu veranschaulichen. Es gab zwar keine Grundwahrheit oder ein Zielbild zum Vergleich, aber die visuelle Inspektion zeigte, dass die Bilder frei von offensichtlichen Artefakten waren und die erwartete Bildverbesserung aufwiesen. Diese Ergebnisse deuten darauf hin, dass die Modelle möglicherweise mit Daten von Scannern funktionieren, die nicht Teil des Algorithmus-Trainingsdatensatzes waren.

McGowan merkt an, dass sich diese anfängliche Arbeit auf die Ganzkörper-FDG-PET für die Onkologie konzentrierte, da dies heute die wichtigste klinische Anwendung der PET ist. „Mit dem Aufkommen neuer Tracer und dem gestiegenen Interesse an organspezifischer Bildgebung testen wir derzeit jedoch den bestehenden Algorithmus im Kontext dieser neuen Anwendungen, die in den Trainingsdaten nicht dargestellt wurden, und entscheiden, ob zusätzliches Training erforderlich ist eine angemessene Leistung für andere Indikationen zu erzielen“, sagt er Physik-Welt.

Die Post Time-of-Flight-Qualität für Nicht-TOF-PET-Bilder erschien zuerst auf Physik-Welt.

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/