Llevando la calidad del tiempo de vuelo a las imágenes PET sin TOF

Los escáneres PET utilizan tecnología de tiempo de vuelo (TOF) para reducir el ruido de la imagen y mejorar la identificación de lesiones cancerosas. TOF funciona utilizando la diferencia de tiempo entre la detección de los dos fotones de aniquilación de PET para localizar con mayor precisión el evento de aniquilación. Sin embargo, muchos escáneres PET clínicos actuales no tienen capacidad TOF y se pierden la confianza diagnóstica mejorada que confiere.

“Existe una diferencia de costo significativa entre los escáneres PET TOF y no TOF debido al alto costo del centelleador utilizado para TOF”, dice daniel macgowan de la Universidad de Oxford y los Hospitales de la Universidad de Oxford NHS Foundation Trust, señalando que una de las líneas de productos más exitosas de GE Healthcare es un escáner PET sin TOF, el Discovery IQ. “Estimamos que aproximadamente uno de cada tres sitios de PET/CT en el mundo actualmente no tiene acceso a la tecnología TOF”.

Para nivelar este campo de juego, McGowan y sus colaboradores están empleando el aprendizaje profundo para llevar los beneficios de TOF a las imágenes PET reconstruidas sin información TOF. escribiendo en el Revista Europea de Medicina Nuclear e Imagen Molecular, describen su propuesta de aprendizaje profundo para el enfoque de mejora de imágenes TOF (DL-TOF).

El equipo desarrolló tres modelos DL-TOF (basados ​​en las redes neuronales convolucionales de U-Net) para transformar datos PET no TOF en imágenes similares a TOF correspondientes. Los modelos emplearon diferentes niveles de fuerza TOF (bajo, medio o alto) para compensar la mejora del contraste con la reducción del ruido.

Los investigadores señalan que la red neuronal no agrega información TOF a los datos de coincidencia de PET, sino que aprende cómo la información TOF altera las características de la imagen y luego replica estos cambios en imágenes de entrada que no son TOF. “Este es exactamente el tipo de tarea que los algoritmos de aprendizaje profundo hacen muy bien”, explica McGowan. “Pueden encontrar patrones en los datos y crear la transformación que produce imágenes visualmente atractivas y cuantitativamente precisas que brindan una alta confianza diagnóstica al radiólogo o médico que informa”.

Evaluación modelo

Para entrenar, validar y probar los modelos, el equipo utilizó datos PET de 273 exámenes oncológicos FDG-PET de cuerpo entero realizados en seis centros clínicos con escáneres PET/CT compatibles con TOF. Los datos de la PET se reconstruyeron utilizando el algoritmo de maximización de la expectativa regularizada secuencial por bloques (BSREM), con y sin TOF.

Después del entrenamiento, los investigadores evaluaron el rendimiento del modelo utilizando un conjunto de prueba de 50 imágenes. Examinaron los valores de captación estandarizados (SUV) en 139 lesiones y regiones normales del hígado y los pulmones, utilizando hasta cinco lesiones pequeñas y cinco volúmenes de interés en los pulmones y el hígado por sujeto.

La comparación de los resultados de los tres modelos DL-TOF con las imágenes no TOF de entrada mostró que los modelos mejoraron la calidad general de la imagen, reduciendo el ruido y aumentando el contraste de la lesión. En la imagen original no TOF, la lesión SUV_max difería de la imagen TOF de destino en −28 %. La aplicación de los modelos DL-TOF bajo, medio y alto resultó en diferencias de −28%, −8% y 1.7%, respectivamente. Los modelos también redujeron las diferencias en SUV_{personalizado} del 7.7% a menos del 2% en los pulmones, y del 4.3% a menos del 1% en el hígado.

Aplicación de diagnóstico

Además de la evaluación cuantitativa, tres radiólogos calificaron de forma independiente las imágenes del conjunto de prueba en términos de detectabilidad de la lesión, confianza diagnóstica y calidad/ruido de la imagen. Las imágenes se evaluaron con base en una escala de Likert, que va de 0 (no diagnóstico) a 5 (excelente).

El modelo alto DL-TOF mejoró significativamente la detectabilidad de lesiones, logrando la puntuación más alta de los tres modelos. En términos de confianza diagnóstica, DL-TOF medio obtuvo la mejor puntuación, mientras que DL-TOF bajo obtuvo la mejor puntuación en calidad/ruido de imagen. En todos los casos, el modelo de mejor rendimiento superó la imagen TOF de destino. Estos resultados destacan cómo se puede adaptar el modelo DL-TOF para equilibrar la detección de lesiones frente a la reducción de ruido, según la preferencia del lector de imágenes.

“En general, en términos de confianza diagnóstica, el modelo medio DL-TOF ofrece una mejor compensación en nuestro conjunto de pruebas, ya que un ruido más bajo y una detectabilidad mejorada son características deseables para una técnica de reconstrucción o mejora de imágenes”, escribe el equipo.

Finalmente, los investigadores aplicaron los modelos DL-TOF a 10 exámenes adquiridos en un escáner PET sin TOF, para ilustrar la generalización de los modelos entrenados. Si bien no había una verdad de campo o una imagen de destino para la comparación, la inspección visual mostró que las imágenes estaban libres de artefactos obvios y exhibieron la mejora de imagen esperada. Estos hallazgos sugieren que los modelos pueden funcionar con datos de escáneres que no formaban parte del conjunto de datos de entrenamiento del algoritmo.

McGowan señala que este trabajo inicial se centró en FDG-PET de cuerpo entero para oncología, ya que esta es la principal aplicación clínica de PET en la actualidad. “Sin embargo, con el advenimiento de nuevos marcadores y un mayor interés en imágenes específicas de órganos, actualmente estamos probando el algoritmo existente en el contexto de estas nuevas aplicaciones, que no estaban representadas en los datos de entrenamiento, y decidiendo si se necesita entrenamiento adicional para lograr un rendimiento adecuado para otras indicaciones”, dice Mundo de la física.

El puesto Llevando la calidad del tiempo de vuelo a las imágenes PET sin TOF apareció por primera vez en Mundo de la física.

• Coinsmart. El mejor intercambio de Bitcoin y criptografía de Europa.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. ACCESO LIBRE.
• CriptoHawk. Radar de altcoins. Prueba gratis.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/