TOF가 아닌 PET 이미지에 ToF(Time-of-Flight) 품질 제공

PET 스캐너는 TOF(Time-of-Flight) 기술을 사용하여 이미지 노이즈를 줄이고 암 병변 식별을 향상시킵니다. TOF는 두 개의 PET 소멸 광자 감지 간의 시간 차이를 사용하여 소멸 이벤트의 위치를 ​​보다 정확하게 파악하는 방식으로 작동합니다. 그러나 현재 많은 임상 PET 스캐너에는 TOF 기능이 없으며 TOF 기능이 제공하는 향상된 진단 신뢰성을 놓치고 있습니다.

"TOF에 사용되는 섬광체의 가격이 높기 때문에 TOF와 비 TOF PET 스캐너 사이에는 상당한 비용 차이가 있습니다."라고 말합니다. 다니엘 맥고완 옥스퍼드 대학과 옥스퍼드 대학 병원 NHS 재단 신탁(Oxford University Hospitals NHS Foundation Trust)은 GE Healthcare의 가장 성공적인 제품 라인 중 하나가 비TOF PET 스캐너인 Discovery IQ라고 언급했습니다. "우리는 현재 전 세계 PET/CT 현장 XNUMX곳 중 약 XNUMX곳이 TOF 기술에 접근할 수 없는 것으로 추정합니다."

이러한 경쟁의 장을 평준화하기 위해 McGowan과 공동 작업자는 딥 러닝을 사용하여 TOF 정보 없이 재구성된 PET 이미지에 TOF의 이점을 제공하고 있습니다. 에서 글쓰기 핵 의학 및 분자 영상의 유럽 저널, 그들은 TOF 이미지 향상(DL-TOF) 접근 방식을 위해 제안된 딥 러닝을 설명합니다.

팀은 TOF가 아닌 PET 데이터를 해당 TOF 유사 이미지로 변환하기 위해 세 가지 DL-TOF 모델(U-Net 컨벌루션 신경망 기반)을 개발했습니다. 이 모델은 노이즈 감소와 대비 향상을 절충하기 위해 다양한 수준의 TOF 강도(낮음, 중간 또는 높음)를 사용했습니다.

연구원들은 신경망이 PET 일치 데이터에 TOF 정보를 추가하는 것이 아니라 TOF 정보가 이미지 특성을 변경하는 방법을 학습한 다음 이러한 변경 사항을 TOF가 아닌 입력 이미지에 복제한다는 점에 주목했습니다. McGowan은 “이것이 바로 딥 러닝 알고리즘이 매우 잘 수행하는 작업입니다.”라고 설명합니다. "그들은 데이터에서 패턴을 찾고 보고하는 방사선 전문의나 의사에게 높은 진단 신뢰도를 제공하는 시각적으로 매력적이고 정량적으로 정확한 이미지를 생성하는 변환을 생성할 수 있습니다."

모델 평가

모델을 훈련, 검증 및 테스트하기 위해 팀은 TOF 가능 PET/CT 스캐너를 사용하여 273개 임상 현장에서 수행된 XNUMX개의 전신 FDG-PET 종양학 검사에서 얻은 PET 데이터를 사용했습니다. PET 데이터는 TOF 유무에 관계없이 BSREM(블록 순차 정규화 기대 최대화) 알고리즘을 사용하여 재구성되었습니다.

훈련 후 연구원들은 50개의 이미지로 구성된 테스트 세트를 사용하여 모델 성능을 평가했습니다. 그들은 피험자당 최대 139개의 작은 병변과 XNUMX개의 관심 볼륨을 사용하여 XNUMX개 병변과 간 및 폐의 정상 영역에서 표준화된 흡수 값(SUV)을 검사했습니다.

세 가지 DL-TOF 모델의 출력을 입력된 비TOF 이미지와 비교하면 모델이 전반적인 이미지 품질을 향상시키고 노이즈를 줄이고 병변 대비를 증가시키는 것으로 나타났습니다. TOF가 아닌 원본 영상에서는 병변 SUV가_최대 목표 TOF 이미지와 -28% 차이가 났습니다. DL-TOF 저, 중, 고 모델을 적용하면 각각 -28%, -8%, 1.7%의 차이가 발생했습니다. SUV에서도 차이를 줄인 모델_평균 폐에서는 7.7%에서 2% 미만, 간에서는 4.3%에서 1% 미만입니다.

진단적용

정량적 평가 외에도 세 명의 방사선 전문의가 독립적으로 병변 검출 가능성, 진단 신뢰도 및 이미지 노이즈/품질 측면에서 테스트 세트 이미지를 평가했습니다. 이미지는 0(비진단)부터 5(우수)까지의 Likert 척도를 기반으로 평가되었습니다.

DL-TOF high 모델은 병변 검출력을 크게 향상시켜 세 가지 모델 중 가장 높은 점수를 획득했습니다. 진단 신뢰도 측면에서는 DL-TOF Medium이 가장 좋은 점수를 얻었고, DL-TOF Low는 이미지 노이즈/품질에서 가장 좋은 점수를 얻었습니다. 모든 경우에 최고 성능 모델이 목표 TOF 이미지보다 높은 점수를 받았습니다. 이러한 결과는 이미지 판독기의 선호도에 따라 DL-TOF 모델을 조정하여 병변 검출과 잡음 감소의 균형을 맞출 수 있는 방법을 강조합니다.

팀은 "전체적으로 진단 신뢰도 측면에서 DL-TOF 중간 모델은 테스트 세트에서 더 나은 절충안을 제공합니다. 낮은 노이즈와 향상된 탐지 가능성은 이미지 재구성 또는 향상 기술에 바람직한 기능이기 때문입니다."라고 팀은 썼습니다.

마지막으로 연구원들은 훈련된 모델의 일반화 가능성을 설명하기 위해 비TOF PET 스캐너에서 획득한 10개 시험에 DL-TOF 모델을 적용했습니다. 비교를 위한 실제 정보나 대상 이미지는 없었지만, 육안 검사를 통해 이미지에 명백한 인공물이 없고 예상했던 이미지 향상이 나타난 것으로 나타났습니다. 이러한 결과는 모델이 알고리즘 훈련 데이터세트의 일부가 아닌 스캐너의 데이터에 대해 작동할 수 있음을 시사합니다.

McGowan은 이 초기 작업이 오늘날 PET의 주요 임상 적용이기 때문에 종양학을 위한 전신 FDG-PET에 초점을 맞추었다고 지적합니다. “그러나 새로운 추적자의 출현과 장기별 영상에 대한 관심이 높아지면서 우리는 현재 훈련 데이터에 나타나지 않았던 이러한 새로운 응용 분야의 맥락에서 기존 알고리즘을 테스트하고 있으며 이를 위해 추가 훈련이 필요한지 여부를 결정하고 있습니다. 다른 적응증에 대해서는 적절한 성능을 달성합니다."라고 그는 말합니다. 물리 세계.

포스트 TOF가 아닌 PET 이미지에 ToF(Time-of-Flight) 품질 제공 첫 번째 등장 물리 세계.

• 코인스마트. 유럽 ​​최고의 비트코인 ​​및 암호화폐 거래소.
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 무료 액세스.
• 크립토호크. 알트코인 레이더. 무료 시험판.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/