Φέρνοντας την ποιότητα του χρόνου πτήσης σε εικόνες PET που δεν είναι TOF

Οι σαρωτές PET χρησιμοποιούν την τεχνολογία time-of-flight (TOF) για τη μείωση του θορύβου της εικόνας και τη βελτίωση της αναγνώρισης των καρκινικών βλαβών. Το TOF λειτουργεί χρησιμοποιώντας τη χρονική διαφορά μεταξύ της ανίχνευσης των δύο φωτονίων εκμηδένισης PET για τον ακριβέστερο εντοπισμό του συμβάντος εκμηδένισης. Ωστόσο, πολλοί τρέχοντες κλινικοί σαρωτές PET δεν διαθέτουν δυνατότητα TOF και χάνουν τη βελτιωμένη διαγνωστική εμπιστοσύνη που παρέχει.

"Υπάρχει σημαντική διαφορά κόστους μεταξύ των σαρωτών PET TOF και μη TOF λόγω του υψηλού κόστους του σπινθηριστή που χρησιμοποιείται για το TOF", λέει. Ντάνιελ ΜακΓκόουαν από το Πανεπιστήμιο της Οξφόρδης και τα Πανεπιστημιακά Νοσοκομεία της Οξφόρδης NHS Foundation Trust, σημειώνοντας ότι μία από τις πιο επιτυχημένες σειρές προϊόντων της GE Healthcare είναι ένας σαρωτής PET που δεν είναι TOF, ο Discovery IQ. «Υπολογίζουμε ότι περίπου ένας στους τρεις χώρους PET/CT στον κόσμο δεν έχει επί του παρόντος πρόσβαση στην τεχνολογία TOF».

Για να ισοπεδώσουν αυτούς τους όρους ανταγωνισμού, ο McGowan και οι συνεργάτες του χρησιμοποιούν βαθιά μάθηση για να φέρουν τα οφέλη του TOF σε εικόνες PET που ανακατασκευάζονται χωρίς πληροφορίες TOF. Γράφοντας στο European Journal of Nuclear Medicine and Molecular Imaging, περιγράφουν την προτεινόμενη προσέγγιση βαθιάς εκμάθησης για βελτίωση εικόνας TOF (DL-TOF).

Η ομάδα ανέπτυξε τρία μοντέλα DL-TOF (βασισμένα σε συνελικτικά νευρωνικά δίκτυα U-Net) για να μετατρέψει δεδομένα PET που δεν είναι TOF σε αντίστοιχες εικόνες που μοιάζουν με TOF. Τα μοντέλα χρησιμοποιούσαν διαφορετικά επίπεδα αντοχής TOF (χαμηλή, μεσαία ή υψηλή) για να αντισταθμίσουν τη βελτίωση της αντίθεσης με τη μείωση του θορύβου.

Οι ερευνητές σημειώνουν ότι το νευρωνικό δίκτυο δεν προσθέτει πληροφορίες TOF στα δεδομένα σύμπτωσης PET, αλλά μαθαίνει πώς οι πληροφορίες TOF αλλάζουν τα χαρακτηριστικά της εικόνας και στη συνέχεια αναπαράγουν αυτές τις αλλαγές σε εικόνες εισόδου εκτός TOF. «Αυτό είναι ακριβώς το είδος της εργασίας που κάνουν πολύ καλά οι αλγόριθμοι βαθιάς μάθησης», εξηγεί ο McGowan. «Μπορούν να βρουν μοτίβα στα δεδομένα και να δημιουργήσουν τον μετασχηματισμό που παράγει οπτικά ελκυστικές και ποσοτικά ακριβείς εικόνες που δίνουν υψηλή διαγνωστική εμπιστοσύνη στον ακτινολόγο ή τον ιατρό που αναφέρει».

Αξιολόγηση μοντέλου

Για την εκπαίδευση, την επικύρωση και τη δοκιμή των μοντέλων, η ομάδα χρησιμοποίησε δεδομένα PET από 273 ογκολογικές εξετάσεις ολικού σώματος FDG-PET που πραγματοποιήθηκαν σε έξι κλινικές τοποθεσίες με σαρωτές PET/CT με δυνατότητα TOF. Τα δεδομένα PET ανακατασκευάστηκαν χρησιμοποιώντας τον αλγόριθμο block-sequential-regularized-expectation-maximization (BSREM), με και χωρίς TOF.

Μετά την εκπαίδευση, οι ερευνητές αξιολόγησαν την απόδοση του μοντέλου χρησιμοποιώντας ένα σύνολο δοκιμών 50 εικόνων. Εξέτασαν τυποποιημένες τιμές πρόσληψης (SUV) σε 139 βλάβες και φυσιολογικές περιοχές του ήπατος και των πνευμόνων, χρησιμοποιώντας έως και πέντε μικρές βλάβες και πέντε όγκους ενδιαφέροντος στους πνεύμονες και το ήπαρ ανά άτομο.

Η σύγκριση των εξόδων των τριών μοντέλων DL-TOF με τις εισερχόμενες εικόνες εκτός TOF έδειξε ότι τα μοντέλα βελτίωσαν τη συνολική ποιότητα εικόνας, μειώνοντας το θόρυβο και αυξάνοντας την αντίθεση της βλάβης. Στην αρχική εικόνα που δεν είναι TOF, η βλάβη SUV_max διέφερε από την εικόνα στόχου TOF κατά −28%. Η εφαρμογή των μοντέλων DL-TOF low, medium και high οδήγησε σε διαφορές −28%, −8% και 1.7%, αντίστοιχα. Τα μοντέλα μείωσαν επίσης τις διαφορές στα SUV_εννοώ από 7.7% σε λιγότερο από 2% στους πνεύμονες και από 4.3% έως κάτω από 1% στο ήπαρ.

Διαγνωστική εφαρμογή

Εκτός από την ποσοτική αξιολόγηση, τρεις ακτινολόγοι βαθμολόγησαν ανεξάρτητα τις εικόνες του σετ δοκιμών ως προς την ανιχνευσιμότητα της βλάβης, τη διαγνωστική εμπιστοσύνη και τον θόρυβο/ποιότητα της εικόνας. Οι εικόνες αξιολογήθηκαν με βάση μια κλίμακα Likert, η οποία κυμαίνεται από 0 (μη διαγνωστική) έως 5 (άριστη).

Το υψηλό μοντέλο DL-TOF βελτίωσε σημαντικά την ανιχνευσιμότητα της βλάβης, επιτυγχάνοντας την υψηλότερη βαθμολογία από τα τρία μοντέλα. Όσον αφορά τη διαγνωστική εμπιστοσύνη, το μέσο DL-TOF πέτυχε την καλύτερη βαθμολογία, ενώ το DL-TOF χαμηλό σημείωσε την καλύτερη βαθμολογία για θόρυβο/ποιότητα εικόνας. Σε όλες τις περιπτώσεις, το μοντέλο με τις κορυφαίες επιδόσεις ξεπέρασε την εικόνα στόχου TOF. Αυτά τα αποτελέσματα υπογραμμίζουν τον τρόπο με τον οποίο το μοντέλο DL-TOF μπορεί να προσαρμοστεί για να εξισορροπήσει την ανίχνευση βλαβών με τη μείωση του θορύβου, σύμφωνα με την προτίμηση του αναγνώστη εικόνας.

«Συνολικά, όσον αφορά τη διαγνωστική εμπιστοσύνη, το μεσαίο μοντέλο DL-TOF παρέχει καλύτερη αντιστάθμιση στο σετ δοκιμών μας, καθώς ο χαμηλότερος θόρυβος και η βελτιωμένη ανιχνευσιμότητα είναι επιθυμητά χαρακτηριστικά για μια τεχνική ανακατασκευής ή βελτίωσης εικόνας», γράφει η ομάδα.

Τέλος, οι ερευνητές εφάρμοσαν τα μοντέλα DL-TOF σε 10 εξετάσεις που αποκτήθηκαν σε σαρωτή PET εκτός TOF, για να καταδείξουν τη γενίκευση των εκπαιδευμένων μοντέλων. Αν και δεν υπήρχε καμία αλήθεια εδάφους ή εικόνα στόχου για σύγκριση, η οπτική επιθεώρηση έδειξε ότι οι εικόνες ήταν απαλλαγμένες από προφανή τεχνουργήματα και εμφάνιζαν την αναμενόμενη βελτίωση της εικόνας. Αυτά τα ευρήματα υποδηλώνουν ότι τα μοντέλα μπορεί να λειτουργούν σε δεδομένα από σαρωτές που δεν ήταν μέρος του συνόλου δεδομένων εκπαίδευσης αλγορίθμων.

Ο McGowan σημειώνει ότι αυτή η αρχική εργασία επικεντρώθηκε στο FDG-PET ολόκληρου του σώματος για την ογκολογία, καθώς αυτή είναι η κύρια κλινική εφαρμογή του PET σήμερα. «Ωστόσο, με την εμφάνιση νέων ανιχνευτών και το αυξημένο ενδιαφέρον για την απεικόνιση ειδικών οργάνων, δοκιμάζουμε επί του παρόντος τον υπάρχοντα αλγόριθμο στο πλαίσιο αυτών των νέων εφαρμογών, οι οποίες δεν αντιπροσωπεύονταν στα δεδομένα εκπαίδευσης, και αποφασίζουμε εάν απαιτείται πρόσθετη εκπαίδευση για επιτύχει επαρκή απόδοση για άλλες ενδείξεις», λέει Κόσμος Φυσικής.

Ο ορθοστάτης Φέρνοντας την ποιότητα του χρόνου πτήσης σε εικόνες PET που δεν είναι TOF εμφανίστηκε για πρώτη φορά σε Κόσμος Φυσικής.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/