Portare la qualità del tempo di volo alle immagini PET non TOF

Gli scanner PET utilizzano la tecnologia del tempo di volo (TOF) per ridurre il rumore dell'immagine e migliorare l'identificazione delle lesioni cancerose. TOF funziona utilizzando la differenza di tempo tra il rilevamento dei due fotoni di annichilazione PET per localizzare in modo più accurato l'evento di annichilazione. Tuttavia, molti scanner PET clinici attuali non hanno capacità TOF e perdono la maggiore sicurezza diagnostica che conferisce.

"Esiste una differenza di costo significativa tra gli scanner PET TOF e non TOF a causa dell'alto costo dello scintillatore utilizzato per TOF", afferma Daniel McGowan dell'Università di Oxford e dell'Oxford University Hospitals NHS Foundation Trust, osservando che una delle linee di prodotti di maggior successo di GE Healthcare è uno scanner PET non TOF, il Discovery IQ. "Stimiamo che circa un sito PET/CT su tre nel mondo attualmente non ha accesso alla tecnologia TOF".

Per livellare questo campo di gioco, McGowan e collaboratori stanno impiegando il deep learning per portare i vantaggi del TOF alle immagini PET ricostruite senza informazioni TOF. Scrivendo nel Rivista europea di medicina nucleare e imaging molecolare, descrivono il loro approccio di deep learning proposto per il miglioramento dell'immagine TOF (DL-TOF).

Il team ha sviluppato tre modelli DL-TOF (basati su reti neurali convoluzionali U-Net) per trasformare i dati PET non TOF in corrispondenti immagini simili a TOF. I modelli utilizzavano diversi livelli di intensità TOF (basso, medio o alto) per compensare l'aumento del contrasto con la riduzione del rumore.

I ricercatori osservano che la rete neurale non aggiunge informazioni TOF ai dati di coincidenza PET, ma apprende come le informazioni TOF alterano le caratteristiche dell'immagine e quindi replica questi cambiamenti nelle immagini di input non TOF. "Questo è esattamente il tipo di attività che gli algoritmi di deep learning svolgono molto bene", spiega McGowan. "Possono trovare schemi nei dati e creare la trasformazione che produce immagini visivamente attraenti e quantitativamente accurate che danno un'elevata sicurezza diagnostica al radiologo o al medico che effettua il referto".

Valutazione del modello

Per addestrare, convalidare e testare i modelli, il team ha utilizzato i dati PET di 273 esami oncologici FDG-PET del corpo intero eseguiti in sei siti clinici con scanner PET/TC compatibili con TOF. I dati PET sono stati ricostruiti utilizzando l'algoritmo BSREM (block-sequential-regularized-expectation-massimizzazione), con e senza TOF.

Dopo la formazione, i ricercatori hanno valutato le prestazioni del modello utilizzando un set di test di 50 immagini. Hanno esaminato i valori di assorbimento standardizzati (SUV) in 139 lesioni e regioni normali di fegato e polmoni, utilizzando fino a cinque piccole lesioni e cinque volumi di interesse nei polmoni e nel fegato per soggetto.

Il confronto degli output dei tre modelli DL-TOF con le immagini non TOF in ingresso ha mostrato che i modelli miglioravano la qualità complessiva dell'immagine, riducendo il rumore e aumentando il contrasto della lesione. Nell'immagine originale non TOF, il SUV della lesione_max differiva del -28% dall'immagine TOF target. L'applicazione dei modelli DL-TOF basso, medio e alto ha comportato differenze rispettivamente di -28%, -8% e 1.7%. I modelli hanno anche ridotto le differenze nel SUV_significare dal 7.7% a meno del 2% nei polmoni e dal 4.3% a meno dell'1% nel fegato.

Applicazione diagnostica

Oltre alla valutazione quantitativa, tre radiologi hanno valutato indipendentemente le immagini del set di test in termini di rilevabilità delle lesioni, affidabilità diagnostica e rumore/qualità dell'immagine. Le immagini sono state valutate sulla base di una scala Likert, che va da 0 (non diagnostico) a 5 (eccellente).

Il modello DL-TOF alto ha migliorato significativamente la rilevabilità della lesione, ottenendo il punteggio più alto dei tre modelli. In termini di affidabilità diagnostica, DL-TOF medio ha ottenuto il punteggio migliore, mentre DL-TOF basso ha ottenuto il punteggio migliore per rumore/qualità dell'immagine. In tutti i casi, il modello con le prestazioni migliori ha superato l'immagine TOF target. Questi risultati evidenziano come il modello DL-TOF può essere adattato per bilanciare il rilevamento delle lesioni e la riduzione del rumore, in base alle preferenze del lettore di immagini.

"Nel complesso, in termini di affidabilità diagnostica, il modello medio DL-TOF fornisce un migliore compromesso nel nostro set di test, poiché un rumore più basso e una migliore rilevabilità sono caratteristiche desiderabili per una tecnica di ricostruzione o miglioramento dell'immagine", scrive il team.

Infine, i ricercatori hanno applicato i modelli DL-TOF a 10 esami acquisiti su uno scanner PET non TOF, per illustrare la generalizzabilità dei modelli addestrati. Sebbene non vi fosse alcuna verità di base o immagine target per il confronto, l'ispezione visiva ha mostrato che le immagini erano prive di artefatti evidenti e mostravano il miglioramento dell'immagine previsto. Questi risultati suggeriscono che i modelli potrebbero funzionare su dati provenienti da scanner che non facevano parte del set di dati di addestramento dell'algoritmo.

McGowan osserva che questo lavoro iniziale si è concentrato sulla FDG-PET dell'intero corpo per l'oncologia poiché questa è la principale applicazione clinica della PET oggi. "Tuttavia, con l'avvento di nuovi traccianti e il crescente interesse per l'imaging organo-specifico, stiamo attualmente testando l'algoritmo esistente nel contesto di queste nuove applicazioni, che non erano rappresentate nei dati di addestramento, e decidendo se è necessario un addestramento aggiuntivo per ottenere prestazioni adeguate per altre indicazioni”, dice Mondo della fisica.

Il post Portare la qualità del tempo di volo alle immagini PET non TOF apparve prima Mondo della fisica.

• Coinsmart. Il miglior scambio di bitcoin e criptovalute d'Europa.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. ACCESSO LIBERO.
• Criptofalco. Radar Altcoin. Prova gratuita.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/