Lennuaja kvaliteedi toomine mitte-TOF PET-piltidele

PET-skannerid kasutavad lennuaja (TOF) tehnoloogiat, et vähendada pildimüra ja parandada vähikahjustuste tuvastamist. TOF töötab kahe PET-i annihilatsioonifootoni tuvastamise ajavahe abil, et annihilatsioonisündmust täpsemalt lokaliseerida. Paljudel praegustel kliinilistel PET-skanneritel ei ole aga TOF-i võimet ja need jäävad ilma selle pakutavast paremast diagnostilisest usaldusväärsusest.

"TOF-i ja mitte-TOF-PET-skannerite kulude erinevus on märkimisväärne, kuna TOF-i jaoks kasutatava stsintillaatori hind on kõrge," ütleb. Daniel McGowan Oxfordi ülikoolist ja Oxfordi ülikooli haiglatest NHS Foundation Trust, märkides, et GE Healthcare'i üks edukamaid tootesarju on mitte-TOF-i PET-skanner, Discovery IQ. "Meie hinnangul ei ole umbes igal kolmandal PET/CT saidil maailmas praegu juurdepääsu TOF-tehnoloogiale."

Nende tingimuste võrdsustamiseks kasutavad McGowan ja kaastöötajad sügavat õppimist, et tuua TOF-i eelised ilma TOF-teabeta rekonstrueeritud PET-piltidele. Kirjutamine sisse European Journal of Nuclear Medicine and Molecular Imaging, kirjeldavad nad oma kavandatud sügavat õppimist TOF-kujutise täiustamiseks (DL-TOF).

Meeskond töötas välja kolm DL-TOF mudelit (põhinevad U-Net konvolutsioonilistel närvivõrkudel), et muuta mitte-TOF PET-andmed vastavateks TOF-sarnasteks kujutisteks. Mudelid kasutasid erinevat TOF-i tugevuse taset (madal, keskmine või kõrge), et tasakaalustada kontrasti suurendamist müra vähendamisega.

Teadlased märgivad, et närvivõrk ei lisa TOF-teavet PET-i kokkulangevuse andmetele, vaid pigem õpib see, kuidas TOF-teave muudab pildi omadusi ja seejärel kordab neid muutusi mitte-TOF-i sisendkujutistes. "See on täpselt selline ülesanne, mida sügavad õppimisalgoritmid teevad väga hästi, " selgitab McGowan. "Nad suudavad leida andmetest mustreid ja luua transformatsiooni, mis toodab visuaalselt atraktiivseid ja kvantitatiivselt täpseid pilte, mis annavad aruandvale radioloogile või arstile kõrge diagnostilise kindlustunde."

Mudeli hindamine

Mudelite koolitamiseks, valideerimiseks ja testimiseks kasutas meeskond 273 kogu keha FDG-PET onkoloogilise uuringu PET-andmeid, mis viidi läbi kuues kliinilises kohas TOF-võimeliste PET/CT-skannerite abil. PET-andmed rekonstrueeriti, kasutades BSREM-i (Block-Sequential-regularized-expectation-maximization) algoritmi TOF-iga ja ilma.

Pärast koolitust hindasid teadlased mudeli jõudlust, kasutades 50 pildist koosnevat testimiskomplekti. Nad uurisid standardiseeritud sissevõtuväärtusi (SUV) 139 kahjustuses ning maksa ja kopsude normaalsetes piirkondades, kasutades kuni viit väikest kahjustust ja viit huvipakkuvat mahtu kopsudes ja maksas.

Kolme DL-TOF-mudeli väljundite võrdlemine mitte-TOF-i sisendkujutistega näitas, et mudelid parandasid üldist pildikvaliteeti, vähendades müra ja suurendades kahjustuste kontrasti. Algsel mitte-TOF-pildil kahjustuse maastur_max erines siht-TOF-pildist –28%. DL-TOF madala, keskmise ja kõrge mudeli rakendamine andis tulemuseks erinevused vastavalt –28%, –8% ja 1.7%. Mudelid vähendasid ka maasturite erinevusi_keskmine 7.7% -lt alla 2% -ni kopsudes ja 4.3% -lt alla 1% -ni maksas.

Diagnostiline rakendus

Lisaks kvantitatiivsele hindamisele hindasid kolm radioloogi sõltumatult testimiskomplekti pilte kahjustuste tuvastatavuse, diagnostilise usaldusväärsuse ja pildi müra/kvaliteedi osas. Pilte hinnati Likerti skaala alusel, mis jääb vahemikku 0 (mittediagnostiline) kuni 5 (suurepärane).

DL-TOF kõrge mudel parandas oluliselt kahjustuste tuvastatavust, saavutades kolmest mudelist kõrgeima punktisumma. Diagnostilise usaldusväärsuse osas saavutas parima tulemuse DL-TOF medium, samas kui DL-TOF madal andis parima tulemuse pildi müra/kvaliteedi osas. Kõigil juhtudel ületas parima jõudlusega mudel siht-TOF-i kujutist. Need tulemused näitavad, kuidas DL-TOF mudelit saab kohandada nii, et see tasakaalustaks kahjustuste tuvastamist ja müra vähendamist, vastavalt pildilugeja eelistustele.

"Üldiselt pakub DL-TOF keskmine mudel meie testikomplektis paremat kompromissi, kuna madalam müra ja parem tuvastatavus on pildi rekonstrueerimise või täiustamise tehnika jaoks soovitavad omadused," kirjutab meeskond.

Lõpuks rakendasid teadlased DL-TOF-mudeleid 10 mitte-TOF-PET-skanneriga omandatud eksamile, et illustreerida koolitatud mudelite üldistavust. Kuigi võrdluseks puudus alustõde või sihtkujutis, näitas visuaalne kontroll, et piltidel ei olnud ilmseid esemeid ja need näitasid oodatud pildi paranemist. Need leiud viitavad sellele, et mudelid võivad töötada skannerite andmetega, mis ei kuulunud algoritmi koolituse andmekogumisse.

McGowan märgib, et see esialgne töö keskendus onkoloogia jaoks mõeldud kogu keha FDG-PET-ile, kuna see on tänapäeval PET-i peamine kliiniline rakendus. "Kuid uute jälgimisseadmete tulekuga ja suurenenud huviga elundispetsiifilise pildistamise vastu katsetame praegu olemasolevat algoritmi nende uute rakenduste kontekstis, mis ei olnud koolitusandmetes esindatud, ja otsustame, kas on vaja täiendavat koolitust. saavutada piisav tulemus teiste näidustuste puhul,” räägib ta Füüsika maailm.

Postitus Lennuaja kvaliteedi toomine mitte-TOF PET-piltidele ilmus esmalt Füüsika maailm.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/