Apporter une qualité de temps de vol aux images TEP non TOF

Les scanners TEP utilisent la technologie du temps de vol (TOF) pour réduire le bruit de l'image et améliorer l'identification des lésions cancéreuses. TOF fonctionne en utilisant la différence de temps entre la détection des deux photons d'annihilation PET pour localiser plus précisément l'événement d'annihilation. Cependant, de nombreux scanners TEP cliniques actuels n'ont pas la capacité TOF et ne profitent pas de la confiance diagnostique améliorée qu'elle confère.

"Il existe une différence de coût significative entre les scanners TEP TOF et non TOF en raison du coût élevé du scintillateur utilisé pour TOF", déclare Daniel McGowan de l'Université d'Oxford et de l'Oxford University Hospitals NHS Foundation Trust, notant que l'une des gammes de produits les plus réussies de GE Healthcare est un scanner TEP non TOF, le Discovery IQ. "Nous estimons qu'environ un site PET/CT sur trois dans le monde n'a actuellement pas accès à la technologie TOF."

Pour uniformiser ces règles du jeu, McGowan et ses collaborateurs utilisent un apprentissage en profondeur pour apporter les avantages du TOF aux images TEP reconstruites sans informations TOF. Écrire dans le Journal européen de médecine nucléaire et d'imagerie moléculaire, ils décrivent leur approche proposée d'apprentissage en profondeur pour l'amélioration d'image TOF (DL-TOF).

L'équipe a développé trois modèles DL-TOF (basés sur les réseaux de neurones convolutionnels U-Net) pour transformer les données TEP non TOF en images de type TOF correspondantes. Les modèles utilisaient différents niveaux de force TOF (faible, moyen ou élevé) pour trouver un compromis entre l'amélioration du contraste et la réduction du bruit.

Les chercheurs notent que le réseau de neurones n'ajoute pas d'informations TOF aux données de coïncidence TEP, mais qu'il apprend plutôt comment les informations TOF modifient les caractéristiques de l'image, puis répliquent ces modifications dans les images d'entrée non TOF. "C'est exactement le genre de tâche que les algorithmes d'apprentissage en profondeur font très bien", explique McGowan. "Ils peuvent trouver des modèles dans les données et créer la transformation qui produit des images visuellement attrayantes et quantitativement précises qui donnent une grande confiance diagnostique au radiologue ou au médecin déclarant."

Évaluation du modèle

Pour former, valider et tester les modèles, l'équipe a utilisé les données TEP de 273 examens d'oncologie FDG-PET du corps entier effectués sur six sites cliniques avec des scanners TEP/CT compatibles TOF. Les données TEP ont été reconstruites à l'aide de l'algorithme BSREM (block-sequential-regularized-expectation-maximization), avec et sans TOF.

Après la formation, les chercheurs ont évalué les performances du modèle à l'aide d'un ensemble de tests de 50 images. Ils ont examiné les valeurs d'absorption standardisées (SUV) dans 139 lésions et régions normales du foie et des poumons, en utilisant jusqu'à cinq petites lésions et cinq volumes d'intérêt dans les poumons et le foie par sujet.

La comparaison des sorties des trois modèles DL-TOF avec les images d'entrée non-TOF a montré que les modèles amélioraient la qualité globale de l'image, réduisant le bruit et augmentant le contraste des lésions. Dans l'image originale non TOF, la lésion SUV_max différait de l'image TOF cible de -28 %. L'application des modèles DL-TOF bas, moyen et haut a entraîné des différences de -28 %, -8 % et 1.7 %, respectivement. Les modèles ont également réduit les différences de SUV_signifier de 7.7 % à moins de 2 % dans les poumons et de 4.3 % à moins de 1 % dans le foie.

Application diagnostique

En plus de l'évaluation quantitative, trois radiologues ont indépendamment évalué les images de l'ensemble de tests en termes de détectabilité des lésions, de fiabilité du diagnostic et de bruit/qualité de l'image. Les images ont été évaluées sur une échelle de Likert, qui va de 0 (non diagnostique) à 5 (excellent).

Le modèle élevé DL-TOF a considérablement amélioré la détectabilité des lésions, obtenant le score le plus élevé des trois modèles. En termes de confiance diagnostique, le milieu DL-TOF a obtenu le meilleur score, tandis que le DL-TOF bas a obtenu le meilleur score pour le bruit/la qualité de l'image. Dans tous les cas, le modèle le plus performant a surpassé l'image TOF cible. Ces résultats mettent en évidence la façon dont le modèle DL-TOF peut être adapté pour équilibrer la détection des lésions par rapport à la réduction du bruit, selon la préférence du lecteur d'image.

"Globalement, en termes de confiance diagnostique, le modèle moyen DL-TOF offre un meilleur compromis dans notre ensemble de tests, car un bruit plus faible et une détectabilité améliorée sont des caractéristiques souhaitables pour une technique de reconstruction ou d'amélioration d'image", écrit l'équipe.

Enfin, les chercheurs ont appliqué les modèles DL-TOF à 10 examens acquis sur un scanner TEP non TOF, pour illustrer la généralisabilité des modèles entraînés. Bien qu'il n'y ait pas de vérité de terrain ou d'image cible pour la comparaison, l'inspection visuelle a montré que les images étaient exemptes d'artefacts évidents et présentaient l'amélioration d'image attendue. Ces résultats suggèrent que les modèles peuvent fonctionner sur des données provenant de scanners qui ne faisaient pas partie de l'ensemble de données d'apprentissage de l'algorithme.

McGowan note que ce travail initial s'est concentré sur la TEP-FDG corps entier pour l'oncologie, car il s'agit de la principale application clinique de la TEP aujourd'hui. "Cependant, avec l'avènement de nouveaux traceurs et l'intérêt accru pour l'imagerie spécifique à un organe, nous testons actuellement l'algorithme existant dans le contexte de ces nouvelles applications, qui n'étaient pas représentées dans les données de formation, et décidons si une formation supplémentaire est nécessaire pour obtenir des performances adéquates pour d'autres indications », dit-il Monde de la physique.

Le poste Apporter une qualité de temps de vol aux images TEP non TOF apparaît en premier sur Monde de la physique.

• Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
• Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
• CryptoHawk. Radar Altcoins. Essai gratuit.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/