Menghadirkan waktu‑kualitas penerbangan ke gambar non‑TOF PET

Pemindai PET menggunakan teknologi time-of-flight (TOF) untuk mengurangi noise gambar dan meningkatkan identifikasi lesi kanker. TOF bekerja dengan menggunakan perbedaan waktu antara deteksi dua foton pemusnahan PET untuk lebih akurat melokalisasi peristiwa pemusnahan. Namun, banyak pemindai PET klinis saat ini tidak memiliki kemampuan TOF, dan kehilangan kepercayaan diagnostik yang ditingkatkan yang diberikannya.

“Ada perbedaan biaya yang signifikan antara pemindai PET TOF dan non-TOF karena tingginya biaya sintilator yang digunakan untuk TOF,” kata Daniel McGowan dari Universitas Oxford dan Rumah Sakit Universitas Oxford NHS Foundation Trust, mencatat bahwa salah satu lini produk GE Healthcare yang paling sukses adalah pemindai PET non-TOF, Discovery IQ. “Kami memperkirakan sekitar satu dari tiga lokasi PET/CT di dunia saat ini tidak memiliki akses ke teknologi TOF.”

Untuk menyamakan kedudukan ini, McGowan dan kolaborator menggunakan pembelajaran mendalam untuk membawa manfaat TOF ke gambar PET yang direkonstruksi tanpa informasi TOF. Menulis di Jurnal Kedokteran Nuklir Eropa dan Pencitraan Molekuler, mereka menggambarkan pembelajaran mendalam yang mereka usulkan untuk pendekatan peningkatan citra TOF (DL-TOF).

Tim mengembangkan tiga model DL-TOF (berdasarkan jaringan saraf convolutional U-Net) untuk mengubah data PET non-TOF menjadi gambar mirip TOF yang sesuai. Model menggunakan tingkat kekuatan TOF yang berbeda (rendah, sedang atau tinggi) untuk mengimbangi peningkatan kontras dengan pengurangan kebisingan.

Para peneliti mencatat bahwa jaringan saraf tidak menambahkan informasi TOF ke data kebetulan PET, melainkan mempelajari bagaimana informasi TOF mengubah karakteristik gambar dan kemudian mereplikasi perubahan ini pada gambar input non-TOF. “Ini adalah jenis tugas yang dilakukan dengan sangat baik oleh algoritma pembelajaran mendalam,” McGowan menjelaskan. “Mereka dapat menemukan pola dalam data dan menciptakan transformasi yang menghasilkan gambar yang menarik secara visual dan akurat secara kuantitatif yang memberikan kepercayaan diagnostik tinggi kepada ahli radiologi atau dokter pelapor.”

Evaluasi model

Untuk melatih, memvalidasi, dan menguji model, tim menggunakan data PET dari 273 pemeriksaan onkologi FDG-PET seluruh tubuh yang dilakukan di enam lokasi klinis dengan pemindai PET/CT berkemampuan TOF. Data PET direkonstruksi menggunakan algoritma block-sequential-regularized-expectation-maximization (BSREM), dengan dan tanpa TOF.

Setelah pelatihan, para peneliti mengevaluasi kinerja model menggunakan satu set pengujian yang terdiri dari 50 gambar. Mereka memeriksa nilai serapan standar (SUV) di 139 lesi dan daerah normal hati dan paru-paru, menggunakan hingga lima lesi kecil dan lima volume yang diminati di paru-paru dan hati per subjek.

Membandingkan output dari tiga model DL-TOF dengan input gambar non-TOF menunjukkan bahwa model meningkatkan kualitas gambar secara keseluruhan, mengurangi noise dan meningkatkan kontras lesi. Dalam gambar non-TOF asli, SUV lesi_max berbeda dari gambar target TOF sebesar 28%. Menerapkan model DL-TOF rendah, sedang dan tinggi menghasilkan perbedaan masing-masing sebesar 28%, 8% dan 1.7%. Model juga mengurangi perbedaan SUV_berarti dari 7.7% menjadi kurang dari 2% di paru-paru, dan dari 4.3% menjadi di bawah 1% di hati.

Aplikasi diagnostik

Selain evaluasi kuantitatif, tiga ahli radiologi secara independen menilai gambar set pengujian dalam hal deteksi lesi, kepercayaan diagnostik, dan noise/kualitas gambar. Gambar dinilai berdasarkan skala Likert, yang berkisar dari 0 (non-diagnostik) hingga 5 (sangat baik).

Model tinggi DL-TOF secara signifikan meningkatkan deteksi lesi, mencapai skor tertinggi dari tiga model. Dalam hal keyakinan diagnostik, media DL-TOF mencapai skor terbaik, sedangkan DL-TOF rendah mencetak skor terbaik untuk noise/kualitas gambar. Dalam semua kasus, model berkinerja terbaik mengungguli gambar TOF target. Hasil ini menyoroti bagaimana model DL-TOF dapat disesuaikan untuk menyeimbangkan deteksi lesi versus pengurangan kebisingan, sesuai dengan preferensi pembaca gambar.

“Secara keseluruhan, dalam hal kepercayaan diagnostik, model medium DL-TOF memberikan pertukaran yang lebih baik dalam set pengujian kami, karena noise yang lebih rendah dan kemampuan deteksi yang ditingkatkan adalah fitur yang diinginkan untuk rekonstruksi gambar atau teknik peningkatan,” tulis tim tersebut.

Akhirnya, para peneliti menerapkan model DL-TOF ke 10 ujian yang diperoleh pada pemindai PET non-TOF, untuk menggambarkan generalisasi model yang dilatih. Meskipun tidak ada kebenaran dasar atau gambar target untuk perbandingan, inspeksi visual menunjukkan bahwa gambar tersebut bebas dari artefak yang jelas dan menunjukkan peningkatan gambar yang diharapkan. Temuan ini menunjukkan bahwa model dapat bekerja pada data dari pemindai yang bukan bagian dari kumpulan data pelatihan algoritme.

McGowan mencatat bahwa pekerjaan awal ini berfokus pada FDG-PET seluruh tubuh untuk onkologi karena ini adalah aplikasi klinis utama PET saat ini. “Namun, dengan munculnya pelacak baru dan meningkatnya minat pada pencitraan spesifik organ, kami saat ini menguji algoritme yang ada dalam konteks aplikasi baru ini, yang tidak terwakili dalam data pelatihan, dan memutuskan apakah pelatihan tambahan diperlukan untuk mencapai kinerja yang memadai untuk indikasi lain, ”katanya Dunia Fisika.

Pos Menghadirkan waktu‑kualitas penerbangan ke gambar non‑TOF PET muncul pertama pada Dunia Fisika.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/