A PET-szkennerek repülési idő (TOF) technológiát alkalmaznak a képzaj csökkentésére és a rákos elváltozások azonosításának javítására. A TOF a két PET megsemmisítési foton észlelése közötti időkülönbséget használja fel az annihilációs esemény pontosabb lokalizálására. Sok jelenlegi klinikai PET-szkenner azonban nem rendelkezik TOF-képességgel, és kimarad az általa nyújtott jobb diagnosztikai biztonságból.
„Jelentős költségkülönbség van a TOF és a nem TOF PET szkennerek között a TOF-hoz használt szcintillátor magas költsége miatt” – mondja. Daniel McGowan az Oxfordi Egyetem és az Oxfordi Egyetemi Kórházak NHS Foundation Trust munkatársa, megjegyezve, hogy a GE Healthcare egyik legsikeresebb termékcsaládja egy nem TOF PET-szkenner, a Discovery IQ. „Becsléseink szerint a világon körülbelül minden harmadik PET/CT telephely jelenleg nem fér hozzá a TOF technológiához.”
Ennek a versenyfeltételnek a kiegyenlítése érdekében McGowan és munkatársai mély tanulást alkalmaznak, hogy a TOF előnyeit a TOF-információk nélkül rekonstruált PET-képeknél is kihasználják. Az írás a European Journal of Nuclear Medicine and Molecular Imaging, leírják a TOF képjavításhoz (DL-TOF) javasolt mély tanulási módszert.
A csapat három (U-Net konvolúciós neurális hálózatokon alapuló) DL-TOF modellt fejlesztett ki, hogy a nem TOF PET adatokat megfelelő TOF-szerű képekké alakítsa. A modellek különböző szintű TOF-erősséget alkalmaztak (alacsony, közepes vagy magas), hogy kiegyenlítsék a kontrasztjavítást a zajcsökkentéssel.
A kutatók megjegyzik, hogy a neurális hálózat nem ad hozzá TOF-információt a PET-egybeesési adatokhoz, hanem azt tanulja meg, hogy a TOF-információ hogyan változtatja meg a kép jellemzőit, majd megismétli ezeket a változásokat a nem TOF bemeneti képeken. „Pontosan ez az a fajta feladat, amelyet a mélytanulási algoritmusok nagyon jól teljesítenek” – magyarázza McGowan. „Megtalálhatnak mintákat az adatokban, és létrehozhatják azt az átalakítást, amely vizuálisan vonzó és mennyiségileg pontos képeket eredményez, amelyek magas diagnosztikai magabiztosságot biztosítanak a jelentéstevő radiológus vagy orvos számára.”
Modell értékelés
A modellek betanításához, validálásához és teszteléséhez a csapat 273 teljes testre kiterjedő FDG-PET onkológiai vizsgálatból származó PET-adatokat használt fel hat klinikai helyszínen, TOF-képes PET/CT-szkennerekkel. A PET-adatokat a blokk-szekvenciális-regularizált elvárás-maximalizálás (BSREM) algoritmussal rekonstruáltuk, TOF-fel és anélkül.
A képzés után a kutatók 50 képből álló tesztkészlet segítségével értékelték a modell teljesítményét. Megvizsgálták a standardizált felvételi értékeket (SUV) 139 lézióban és a máj és a tüdő normál régióiban, alanyonként legfeljebb öt kis léziót és öt érdekes térfogatot használtak a tüdőben és a májban.
A három DL-TOF modell kimenetének összehasonlítása a bemeneti nem TOF képekkel azt mutatta, hogy a modellek javították az általános képminőséget, csökkentették a zajt és növelték a sérülés kontrasztját. Az eredeti, nem TOF képen a sérülés SUVmax -28%-kal tért el a cél TOF képtől. A DL-TOF alacsony, közepes és magas modellek alkalmazása -28%, -8% és 1.7%-os eltérést eredményezett. A modellek csökkentették a SUV-k közötti különbségeket isjelent 7.7%-ról kevesebb, mint 2%-ra a tüdőben, és 4.3%-ról 1% alá a májban.
Diagnosztikai alkalmazás
A kvantitatív értékelésen kívül három radiológus egymástól függetlenül értékelte a vizsgálati sorozat képeit a léziók kimutathatósága, a diagnosztikai megbízhatóság és a képzaj/minőség szempontjából. A képeket egy Likert-skála alapján értékelték, amely 0-tól (nem diagnosztikai) 5-ig (kiváló) terjed.
A DL-TOF high modell jelentősen javította a léziók kimutathatóságát, így a három modell közül a legmagasabb pontszámot érte el. A diagnosztikai megbízhatóság tekintetében a DL-TOF közepes érte el a legjobb pontszámot, míg a DL-TOF alacsony pontszámot a képzaj/minőség tekintetében. A legjobban teljesítő modell minden esetben felülmúlta a cél TOF-képet. Ezek az eredmények rávilágítanak arra, hogy a DL-TOF modell hogyan szabható a lézióészlelés és a zajcsökkentés egyensúlyára, a képolvasó preferenciái szerint.
"Összességében a diagnosztikai megbízhatóság szempontjából a DL-TOF közepes modell jobb kompromisszumot kínál tesztkészletünkben, mivel az alacsonyabb zaj és a jobb észlelhetőség kívánatos tulajdonságok a képrekonstrukciós vagy -javítási technikáknál" - írja a csapat.
A neurális hálózatok javítják a PET repülési idejének becslését
Végül a kutatók a DL-TOF modelleket 10, nem TOF PET szkenneren szerzett vizsgára alkalmazták, hogy szemléltesse a betanított modellek általánosíthatóságát. Bár nem volt alapigazság vagy célkép az összehasonlításhoz, a vizuális vizsgálat azt mutatta, hogy a képek mentesek a nyilvánvaló műtárgyaktól, és a várt képjavítást mutatták. Ezek az eredmények arra utalnak, hogy a modellek olyan szkennerekből származó adatokon működhetnek, amelyek nem részei az algoritmus betanítási adatkészletének.
McGowan megjegyzi, hogy ez a kezdeti munka a teljes testet érintő FDG-PET-re összpontosított onkológiában, mivel ez ma a PET fő klinikai alkalmazása. „Az új nyomjelzők megjelenésével és a szervspecifikus képalkotás iránti megnövekedett érdeklődéssel azonban jelenleg teszteljük a meglévő algoritmust ezen új alkalmazások kontextusában, amelyek nem szerepeltek a képzési adatokban, és eldöntjük, hogy szükség van-e további képzésre megfelelő teljesítményt elérni más indikációk esetén is” – mondja Fizika Világa.
Az AI in Medical Physics Week támogatását a Sun Nuclearsugárterápiás és diagnosztikai képalkotó központok betegbiztonsági megoldásait gyártó cég. Látogatás www.sunnuclear.com többet megtudni.
A poszt A repülési idő minőségének növelése a nem TOF PET képeken jelent meg először Fizika Világa.
- Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
- CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
- Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/
- 10
- 7
- a
- hozzáférés
- Szerint
- pontos
- Elérése
- elért
- szerzett
- mellett
- További
- ellen
- algoritmus
- algoritmusok
- Minden termék
- Alkalmazás
- alkalmazások
- alkalmazott
- Alkalmazása
- megközelítés
- körülbelül
- mert
- lent
- Előnyök
- BEST
- között
- hoz
- esetek
- bizalom
- Megfelelő
- teremt
- Jelenlegi
- Jelenleg
- dátum
- mély
- leírni
- Érzékelés
- fejlett
- különbség
- különböző
- felfedezés
- becslés
- értékelés
- esemény
- pontosan
- kiváló
- létező
- várható
- Jellemzők
- vezetéknév
- összpontosított
- Alapítvány
- Ingyenes
- ból ből
- ge
- egészségügyi
- Magas
- Kiemel
- kórházak
- Hogyan
- azonban
- HTTPS
- Azonosítás
- kép
- képek
- javul
- javított
- <p></p>
- növekvő
- függetlenül
- információ
- bemenet
- kamat
- IT
- folyóirat
- tanulás
- szint
- szintek
- vonalak
- Gyártó
- orvosi
- orvostudomány
- közepes
- modell
- modellek
- több
- a legtöbb
- hálózat
- hálózatok
- Zaj
- normális
- Megjegyzések
- Nyilvánvaló
- Más
- átfogó
- Oxford
- Oxford Egyetem
- rész
- teljesítmény
- orvos
- Fizika
- játék
- Termékek
- javasolt
- biztosít
- világítás
- mennyiségi
- Olvasó
- csökkenteni
- Csökkent
- csökkentő
- képviselők
- kutatók
- Eredmények
- Biztonság
- Skála
- készlet
- jelentős
- Webhely (ek)
- SIX
- kicsi
- Megoldások
- Szponzorált
- erő
- tárgy
- sikeres
- Támogatott
- cél
- csapat
- Technológia
- megmondja
- feltételek
- teszt
- Tesztelés
- A
- a világ
- három
- idő
- Ma
- kereskedelem
- Képzések
- Átalakítás
- Átalakítás
- Bízzon
- egyetemi
- University of Oxford
- használ
- Ellen
- hét
- vajon
- míg
- nélkül
- Munka
- művek
- világ
- írás