آوردن کیفیت زمان پرواز به تصاویر PET غیر TOF

اسکنرهای PET از فناوری زمان پرواز (TOF) برای کاهش نویز تصویر و بهبود شناسایی ضایعات سرطانی استفاده می کنند. TOF با استفاده از اختلاف زمانی بین تشخیص دو فوتون نابودی PET برای محلی‌سازی دقیق‌تر رویداد نابودی کار می‌کند. با این حال، بسیاری از اسکنرهای PET بالینی کنونی قابلیت TOF را ندارند و اعتماد تشخیصی بهبود یافته ای را که اعطا می کند از دست می دهند.

می‌گوید: «به دلیل هزینه بالای سوسوزن مورد استفاده برای TOF، تفاوت هزینه قابل توجهی بین اسکنرهای PET TOF و غیر TOF وجود دارد. دنیل مک گوان از دانشگاه آکسفورد و بیمارستان‌های دانشگاه آکسفورد NHS Foundation Trust، اشاره کرد که یکی از موفق‌ترین خطوط تولید GE Healthcare یک اسکنر PET غیر TOF به نام Discovery IQ است. ما تخمین می زنیم که در حال حاضر از هر سه سایت PET/CT در جهان یک سایت به فناوری TOF دسترسی ندارد.

برای یکسان کردن این زمینه بازی، مک گوان و همکارانش از یادگیری عمیق استفاده می کنند تا مزایای TOF را به تصاویر PET بازسازی شده بدون اطلاعات TOF بیاورند. نوشتن در مجله اروپایی پزشکی هسته ای و تصویربرداری مولکولی، آنها یادگیری عمیق پیشنهادی خود را برای رویکرد بهبود تصویر TOF (DL-TOF) توصیف می کنند.

این تیم سه مدل DL-TOF (بر اساس شبکه‌های عصبی کانولوشنال U-Net) برای تبدیل داده‌های غیر TOF PET به تصاویر مشابه TOF ایجاد کردند. مدل‌ها از سطوح مختلف قدرت TOF (کم، متوسط ​​یا زیاد) استفاده می‌کردند تا افزایش کنتراست را با کاهش نویز عوض کنند.

محققان خاطرنشان می کنند که شبکه عصبی اطلاعات TOF را به داده های تصادفی PET اضافه نمی کند، بلکه می آموزد که چگونه اطلاعات TOF ویژگی های تصویر را تغییر می دهد و سپس این تغییرات را در تصاویر ورودی غیر TOF تکرار می کند. مک گوان توضیح می دهد: «این دقیقاً همان کاری است که الگوریتم های یادگیری عمیق به خوبی انجام می دهند. آن‌ها می‌توانند الگوهایی را در داده‌ها بیابند و تحولی را ایجاد کنند که تصاویری از نظر بصری جذاب و از نظر کمی دقیق ایجاد می‌کند که به رادیولوژیست یا پزشک گزارش‌دهنده اطمینان تشخیصی بالایی می‌دهد.»

ارزیابی مدل

برای آموزش، اعتبارسنجی و آزمایش مدل‌ها، این تیم از داده‌های PET از 273 آزمایش انکولوژی FDG-PET کل بدن که در شش مکان بالینی با اسکنرهای PET/CT با قابلیت TOF انجام شد، استفاده کرد. داده‌های PET با استفاده از الگوریتم بلوک ترتیبی-منظم-بیشینه‌سازی (BSREM) با و بدون TOF بازسازی شدند.

پس از آموزش، محققان عملکرد مدل را با استفاده از یک مجموعه آزمایشی از 50 تصویر ارزیابی کردند. آنها مقادیر جذب استاندارد شده (SUVs) را در 139 ضایعه و ناحیه طبیعی کبد و ریه ها با استفاده از حداکثر پنج ضایعه کوچک و پنج حجم مورد علاقه در ریه ها و کبد برای هر فرد مورد بررسی قرار دادند.

مقایسه خروجی‌های سه مدل DL-TOF با تصاویر غیر TOF ورودی نشان داد که مدل‌ها کیفیت کلی تصویر را بهبود بخشیدند، نویز را کاهش دادند و کنتراست ضایعه را افزایش دادند. در تصویر اصلی غیر TOF، ضایعه SUV_حداکثر با تصویر TOF هدف 28-٪ متفاوت بود. استفاده از مدل‌های کم، متوسط ​​و زیاد DL-TOF به ترتیب منجر به تفاوت‌های 28-، 8- و 1.7 درصدی شد. این مدل‌ها همچنین تفاوت‌های SUV را کاهش دادند_متوسط از 7.7% تا کمتر از 2% در ریه ها و از 4.3% تا زیر 1% در کبد.

کاربرد تشخیصی

علاوه بر ارزیابی کمی، سه رادیولوژیست به طور مستقل تصاویر مجموعه آزمایش را از نظر تشخیص ضایعه، اطمینان تشخیصی و نویز/کیفیت تصویر رتبه‌بندی کردند. تصاویر بر اساس مقیاس لیکرت ارزیابی شدند که از 0 (غیر تشخیصی) تا 5 (عالی) متغیر است.

مدل بالا DL-TOF به طور قابل توجهی قابلیت تشخیص ضایعه را بهبود بخشید و بالاترین امتیاز را در بین سه مدل به دست آورد. از نظر اطمینان تشخیصی، محیط DL-TOF بهترین امتیاز را به دست آورد، در حالی که DL-TOF low بهترین امتیاز را برای نویز/کیفیت تصویر کسب کرد. در همه موارد، مدل با عملکرد برتر از تصویر TOF هدف پیشی گرفت. این نتایج نشان می‌دهد که چگونه مدل DL-TOF را می‌توان برای متعادل کردن تشخیص ضایعه در مقابل کاهش نویز، مطابق ترجیح خواننده تصویر، تنظیم کرد.

تیم می نویسد: «به طور کلی، از نظر اطمینان تشخیصی، مدل متوسط ​​DL-TOF در مجموعه آزمایشی ما تبادل بهتری را ارائه می دهد، زیرا نویز کمتر و قابلیت تشخیص بهبود یافته ویژگی های مطلوبی برای یک تکنیک بازسازی یا بهبود تصویر هستند.

در نهایت، محققان مدل‌های DL-TOF را برای 10 آزمون به‌دست‌آمده در یک اسکنر PET غیر TOF به کار بردند تا تعمیم‌پذیری مدل‌های آموزش‌دیده را نشان دهند. در حالی که هیچ حقیقت اصلی یا تصویر هدفی برای مقایسه وجود نداشت، بازرسی بصری نشان داد که تصاویر عاری از مصنوعات آشکار هستند و بهبود تصویر مورد انتظار را نشان می‌دهند. این یافته‌ها نشان می‌دهد که مدل‌ها ممکن است روی داده‌های اسکنرهایی که بخشی از مجموعه داده آموزش الگوریتم نیستند، کار کنند.

McGowan خاطرنشان می کند که این کار اولیه بر روی FDG-PET کل بدن برای سرطان شناسی متمرکز شده است زیرا این کاربرد اصلی بالینی PET امروزه است. با این حال، با ظهور ردیاب‌های جدید و افزایش علاقه به تصویربرداری خاص اعضای بدن، ما در حال حاضر در حال آزمایش الگوریتم موجود در زمینه این برنامه‌های کاربردی جدید هستیم، که در داده‌های آموزشی نشان داده نشده‌اند، و تصمیم می‌گیریم که آیا آموزش اضافی برای به عملکرد مناسب برای سایر نشانه ها دست یابید.» او می گوید دنیای فیزیک.

پست آوردن کیفیت زمان پرواز به تصاویر PET غیر TOF به نظر می رسد برای اولین بار در دنیای فیزیک.

• Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
• CryptoHawk. رادار آلت کوین امتحان رایگان.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/