非TOFPET画像に飛行時間品質をもたらします

PETスキャナーは、飛行時間型（TOF）テクノロジーを使用して、画像ノイズを低減し、癌性病変の識別を改善します。 TOFは、XNUMXつのPET消滅光子の検出間の時間差を使用して、消滅イベントをより正確に特定することで機能します。 ただし、現在の多くの臨床PETスキャナーにはTOF機能がなく、診断の信頼性が向上していることを見逃しています。

「TOFに使用されるシンチレータのコストが高いため、TOFスキャナーと非TOFPETスキャナーの間には大きなコスト差があります」と述べています。 ダニエル・マッゴーワン オックスフォード大学とオックスフォード大学病院NHSFoundationTrustから、GEHealthcareの最も成功した製品ラインのXNUMXつが非TOFPETスキャナーであるDiscoveryIQであることに注目しています。 「現在、世界の約XNUMX分のXNUMXのPET/CTサイトがTOFテクノロジーにアクセスできないと推定しています。」

この競争の場を平準化するために、McGowanと共同研究者は、TOF情報なしで再構成されたPET画像にTOFの利点をもたらすためにディープラーニングを採用しています。 で書く ヨーロッパ核医学ジャーナルおよび分子イメージング、彼らは、TOF画像強調（DL-TOF）アプローチのために提案された深層学習について説明しています。

チームは、非TOF PETデータを対応するTOFのような画像に変換するために、XNUMXつのDL-TOFモデル（U-Net畳み込みニューラルネットワークに基づく）を開発しました。 モデルは、さまざまなレベルのTOF強度（低、中、高）を使用して、コントラスト強調とノイズリダクションのトレードオフを行いました。

研究者は、ニューラルネットワークがTOF情報をPET一致データに追加するのではなく、TOF情報が画像特性をどのように変更するかを学習し、これらの変更を非TOF入力画像に複製することに注目しています。 「これはまさに、深層学習アルゴリズムが非常にうまく機能する種類のタスクです」とMcGowan氏は説明します。 「彼らはデータのパターンを見つけて、視覚的に魅力的で定量的に正確な画像を生成する変換を作成し、報告する放射線科医または医師に高い診断の信頼性を与えることができます。」

モデル評価

モデルのトレーニング、検証、テストを行うために、チームは、TOF対応のPET/CTスキャナーを使用して273つの臨床現場で実施されたXNUMXの全身FDG-PET腫瘍学検査からのPETデータを使用しました。 PETデータは、TOFの有無にかかわらず、ブロックシーケンシャル正則化期待値最大化（BSREM）アルゴリズムを使用して再構築されました。

トレーニング後、研究者は50枚の画像のテストセットを使用してモデルのパフォーマンスを評価しました。 彼らは、被験者ごとに最大139つの小さな病変とXNUMXつの肺と肝臓の関心量を使用して、XNUMXの病変と肝臓と肺の正常領域の標準化取込値（SUV）を調べました。

XNUMXつのDL-TOFモデルの出力を入力の非TOF画像と比較すると、モデルが全体的な画質を改善し、ノイズを減らし、病変のコントラストを高めることがわかりました。 元の非TOF画像では、病変SUV_マックス ターゲットTOF画像と-28％の差がありました。 DL-TOFの低、中、高モデルを適用すると、それぞれ-28％、-8％、1.7％の差が生じました。 モデルはまたSUVの違いを減らしました_意味する 肺では7.7％から2％未満、肝臓では4.3％から1％未満です。

診断アプリケーション

定量的評価に加えて、0人の放射線技師が、病変の検出可能性、診断の信頼性、および画像のノイズ/品質の観点から、テストセットの画像を個別に評価しました。 画像は、5（非診断）からXNUMX（優れた）の範囲のリッカート尺度に基づいて評価されました。

DL-TOF高モデルは病変の検出可能性を大幅に改善し、XNUMXつのモデルの中で最高のスコアを達成しました。 診断の信頼性に関しては、DL-TOF媒体が最高のスコアを達成し、DL-TOF低スコアが画像ノイズ/品質で最高のスコアを達成しました。 すべての場合において、最高のパフォーマンスを発揮するモデルは、ターゲットのTOFイメージを上回りました。 これらの結果は、画像リーダーの好みに応じて、病変の検出とノイズリダクションのバランスをとるためにDL-TOFモデルを調整する方法を強調しています。

「全体として、診断の信頼性の観点から、DL-TOF媒体モデルは、低ノイズと改善された検出可能性が画像再構成または強調技術にとって望ましい機能であるため、テストセットでより良いトレードオフを提供します」とチームは書いています。

最後に、研究者は、訓練されたモデルの一般化可能性を説明するために、非TOFPETスキャナーで取得された10の試験にDL-TOFモデルを適用しました。 比較のためのグラウンドトゥルースまたはターゲット画像はありませんでしたが、目視検査では、画像に明らかなアーティファクトがなく、期待される画像の向上が見られました。 これらの調査結果は、モデルがアルゴリズムトレーニングデータセットの一部ではなかったスキャナーからのデータで機能する可能性があることを示唆しています。

McGowanは、これが今日のPETの主な臨床応用であるため、この最初の研究は腫瘍学のための全身FDG-PETに焦点を合わせていたと述べています。 「しかし、新しいトレーサーの出現と臓器固有のイメージングへの関心の高まりにより、現在、トレーニングデータに表示されていないこれらの新しいアプリケーションのコンテキストで既存のアルゴリズムをテストし、追加のトレーニングが必要かどうかを判断しています。他の適応症に対して十分なパフォーマンスを達成する」と彼は言います 物理学の世界.

ポスト 非TOFPET画像に飛行時間品質をもたらします 最初に登場した 物理学の世界.

• コインスマート。 ヨーロッパで最高のビットコインと暗号通貨取引所。
• Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 出入り自由。
• CryptoHawk。 アルトコインレーダー。 無料トライアル。
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/