Tuo lentoajan laatu muihin kuin TOF-PET-kuviin

PET-skannerit käyttävät aika-of-flight (TOF) -tekniikkaa vähentämään kuvakohinaa ja parantamaan syöpävaurioiden tunnistamista. TOF toimii käyttämällä kahden PET-annihilaatiofotonin havaitsemisen välistä aikaeroa tuhoamistapahtuman paikantamiseksi tarkemmin. Monissa nykyisissä kliinisissä PET-skannereissa ei kuitenkaan ole TOF-ominaisuutta, ja ne jäävät paitsi sen tuomasta parantuneesta diagnostisesta varmuudesta.

"TOF- ja ei-TOF-PET-skannerien välillä on huomattava kustannusero, koska TOF:ssä käytettävä tuike on korkea hinta", sanoo Daniel McGowan Oxfordin yliopistosta ja Oxford University Hospitals NHS Foundation Trustista ja huomautti, että yksi GE Healthcaren menestyneimmistä tuotelinjoista on ei-TOF-PET-skanneri, Discovery IQ. "Arvioimme, että noin joka kolmas PET/CT-piste maailmassa ei tällä hetkellä pääse TOF-teknologiaan."

McGowan ja yhteistyökumppanit hyödyntävät syvällistä oppimista tuodakseen TOF:n edut PET-kuviin, jotka on rekonstruoitu ilman TOF-tietoja. Kirjoittaminen sisään European Journal of Nuclear Medicine and Molecular Imaging, he kuvaavat ehdotettua syväoppimista TOF-kuvan parantamiseen (DL-TOF).

Ryhmä kehitti kolme DL-TOF-mallia (perustuu U-Net-konvoluutiohermoverkkoihin) muuntaakseen ei-TOF-PET-dataa vastaaviksi TOF-kaltaisiksi kuviksi. Mallit käyttivät erilaisia ​​TOF-vahvuustasoja (matala, keskitaso tai korkea) kontrastin parantamiseksi ja kohinan vähentämiseksi.

Tutkijat huomauttavat, että hermoverkko ei lisää TOF-tietoja PET-yhdenmukaisuustietoihin, vaan se oppii, kuinka TOF-informaatio muuttaa kuvan ominaisuuksia ja toistaa sitten nämä muutokset ei-TOF-tulokuvissa. "Tämä on juuri sellainen tehtävä, jonka syväoppimisalgoritmit tekevät erittäin hyvin", McGowan selittää. "He voivat löytää kuvioita tiedoista ja luoda muunnoksen, joka tuottaa visuaalisesti houkuttelevia ja kvantitatiivisesti tarkkoja kuvia, jotka antavat korkean diagnostisen luottamuksen raportoivalle radiologille tai lääkärille."

Mallin arviointi

Mallien kouluttamiseen, validointiin ja testaamiseen ryhmä käytti PET-tietoja 273:sta koko kehon FDG-PET-onkologiatutkimuksesta, jotka suoritettiin kuudessa kliinisessä paikassa TOF-yhteensopivilla PET/CT-skannereilla. PET-tiedot rekonstruoitiin käyttämällä BSREM-algoritmia (Block-Sequential-regularized-expectation-maximization) TOF:n kanssa ja ilman.

Harjoittelun jälkeen tutkijat arvioivat mallin suorituskykyä 50 kuvan testisarjalla. He tutkivat standardoituja sisäänottoarvoja (SUV:ita) 139 leesiossa ja maksan ja keuhkojen normaaleissa alueilla käyttämällä enintään viittä pientä leesiota ja viittä kiinnostavaa tilavuutta keuhkoissa ja maksassa henkilöä kohden.

Kolmen DL-TOF-mallin tulosten vertaaminen syötettyihin ei-TOF-kuviin osoitti, että mallit paransivat yleistä kuvanlaatua vähentäen kohinaa ja lisäten vaurion kontrastia. Alkuperäisessä ei-TOF-kuvassa vaurio SUV_max erosi tavoite-TOF-kuvasta -28 %. DL-TOF matalan, keskitason ja korkean mallin soveltaminen johti -28 %, −8 % ja 1.7 % eroihin. Mallit vähensivät myös SUV-eroja_tarkoittaa 7.7 %:sta alle 2 %:iin keuhkoissa ja 4.3 %:sta alle 1 %:iin maksassa.

Diagnostinen sovellus

Kvantitatiivisen arvioinnin lisäksi kolme radiologia arvioi testisarjan kuvat itsenäisesti leesioiden havaittavuuden, diagnostisen luottamuksen ja kuvan kohinan/laadun suhteen. Kuvat arvioitiin Likert-asteikolla, joka vaihtelee 0:sta (ei-diagnostinen) 5:een (erinomainen).

DL-TOF high -malli paransi merkittävästi leesioiden havaittavuutta ja saavutti korkeimman pistemäärän kolmesta mallista. Diagnostisessa luotettavuudessa DL-TOF medium saavutti parhaan pistemäärän, kun taas DL-TOF low sai parhaan kuvan kohinan/laadun suhteen. Kaikissa tapauksissa parhaiten suoriutunut malli päihitti kohteen TOF-kuvan. Nämä tulokset korostavat, kuinka DL-TOF-malli voidaan räätälöidä tasapainottamaan leesioiden havaitseminen ja kohinan vähentäminen kuvanlukijan mieltymysten mukaan.

"Kokonaisuudessaan diagnostisen luottamuksen kannalta DL-TOF-keskikokoinen malli tarjoaa paremman kompromissin testisarjassamme, koska pienempi kohina ja parempi havaittavuus ovat toivottavia ominaisuuksia kuvan rekonstruktiossa tai parannustekniikassa", tiimi kirjoittaa.

Lopuksi tutkijat käyttivät DL-TOF-malleja 10 kokeeseen, jotka hankittiin ei-TOF-PET-skannerilla, havainnollistamaan koulutettujen mallien yleistettävyyttä. Vaikka vertailua varten ei ollut perustotuutta tai kohdekuvaa, visuaalinen tarkastelu osoitti, että kuvissa ei ollut ilmeisiä esineitä ja niissä näkyi odotettu kuvan parannus. Nämä havainnot viittaavat siihen, että mallit voivat toimia sellaisten skannereiden tiedoilla, jotka eivät olleet osa algoritmin opetustietojoukkoa.

McGowan huomauttaa, että tämä alkuperäinen työ keskittyi koko kehon FDG-PET:iin onkologiassa, koska tämä on PET:n tärkein kliininen sovellus nykyään. "Kuitenkin uusien merkkiaineiden ilmaantuessa ja kiinnostuksen lisääntyessä elinspesifiseen kuvantamiseen, testaamme parhaillaan olemassa olevaa algoritmia näiden uusien sovellusten yhteydessä, jotka eivät olleet edustettuina koulutustiedoissa, ja päätämme, tarvitaanko lisäkoulutusta saavuttaa riittävä suorituskyky muihin indikaatioihin”, hän kertoo Fysiikan maailma.

Viesti Tuo lentoajan laatu muihin kuin TOF-PET-kuviin ilmestyi ensin Fysiikan maailma.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/