Brengt time-of-flight kwaliteit naar niet-TOF PET-afbeeldingen

PET-scanners gebruiken time-of-flight (TOF)-technologie om beeldruis te verminderen en de identificatie van kankerachtige laesies te verbeteren. TOF werkt door het tijdsverschil tussen de detectie van de twee PET-annihilatiefotonen te gebruiken om de annihilatiegebeurtenis nauwkeuriger te lokaliseren. Veel huidige klinische PET-scanners hebben echter geen TOF-capaciteit en missen het verbeterde diagnostische vertrouwen dat het biedt.

"Er is een aanzienlijk kostenverschil tussen TOF- en niet-TOF PET-scanners vanwege de hoge kosten van de scintillator die voor TOF wordt gebruikt", zegt Daniël McGowan van de University of Oxford en Oxford University Hospitals NHS Foundation Trust, en merkt op dat een van de meest succesvolle productlijnen van GE Healthcare een niet-TOF PET-scanner is, de Discovery IQ. "We schatten dat ongeveer een op de drie PET/CT-locaties in de wereld momenteel geen toegang heeft tot TOF-technologie."

Om dit speelveld te egaliseren, passen McGowan en medewerkers deep learning toe om de voordelen van TOF naar PET-beelden te brengen die zijn gereconstrueerd zonder TOF-informatie. Schrijven in de Europees tijdschrift voor nucleaire geneeskunde en moleculaire beeldvorming, beschrijven ze hun voorgestelde deep learning voor TOF-beeldverbetering (DL-TOF) -benadering.

Het team ontwikkelde drie DL-TOF-modellen (gebaseerd op U-Net convolutionele neurale netwerken) om niet-TOF PET-gegevens om te zetten in overeenkomstige TOF-achtige afbeeldingen. De modellen gebruikten verschillende niveaus van TOF-sterkte (laag, gemiddeld of hoog) om contrastverbetering af te wisselen met ruisonderdrukking.

De onderzoekers merken op dat het neurale netwerk geen TOF-informatie toevoegt aan de PET-coïncidentiegegevens, maar leert hoe TOF-informatie beeldkenmerken verandert en deze veranderingen vervolgens repliceert in niet-TOF-invoerbeelden. "Dit is precies het soort taak dat deep learning-algoritmen heel goed doen", legt McGowan uit. "Ze kunnen patronen in de gegevens vinden en de transformatie creëren die visueel aantrekkelijke en kwantitatief nauwkeurige beelden produceert die een hoog diagnostisch vertrouwen geven aan de rapporterende radioloog of arts."

Modelevaluatie

Om de modellen te trainen, valideren en testen, gebruikte het team PET-gegevens van 273 FDG-PET-oncologieonderzoeken van het hele lichaam, uitgevoerd op zes klinische locaties met TOF-compatibele PET/CT-scanners. De PET-gegevens werden gereconstrueerd met behulp van het block-sequentiële-geregulariseerde-verwachting-maximalisatie (BSREM) -algoritme, met en zonder TOF.

Na de training evalueerden de onderzoekers de prestaties van het model met behulp van een testset van 50 afbeeldingen. Ze onderzochten gestandaardiseerde opnamewaarden (SUV's) in 139 laesies en normale regio's van lever en longen, met behulp van maximaal vijf kleine laesies en vijf interessevolumes in de longen en lever per persoon.

Door de output van de drie DL-TOF-modellen te vergelijken met de input niet-TOF-afbeeldingen, bleek dat de modellen de algehele beeldkwaliteit verbeterden, ruis verminderden en het laesiecontrast verhoogden. In de originele niet-TOF-afbeelding, de laesie SUV_max verschilde −28% van het doel-TOF-beeld. Het toepassen van de DL-TOF low, medium en high modellen resulteerde in verschillen van respectievelijk −28%, −8% en 1.7%. De modellen verminderden ook de verschillen in SUV_gemiddelde van 7.7% tot minder dan 2% in de longen en van 4.3% tot minder dan 1% in de lever.

Diagnostische toepassing:

Naast de kwantitatieve evaluatie hebben drie radiologen de beelden van de testset onafhankelijk beoordeeld op detecteerbaarheid van de laesie, diagnostisch vertrouwen en beeldruis/kwaliteit. Beelden werden beoordeeld op basis van een Likert-schaal, die loopt van 0 (niet-diagnostisch) tot 5 (uitstekend).

Het DL-TOF high-model verbeterde de detecteerbaarheid van laesies aanzienlijk en behaalde de hoogste score van de drie modellen. In termen van diagnostisch vertrouwen behaalde DL-TOF-medium de beste score, terwijl DL-TOF laag het beste scoorde voor beeldruis/kwaliteit. In alle gevallen scoorde het best presterende model beter dan de beoogde TOF-afbeelding. Deze resultaten laten zien hoe het DL-TOF-model kan worden aangepast om laesiedetectie en ruisonderdrukking in evenwicht te brengen, volgens de voorkeur van de beeldlezer.

"Over het algemeen biedt het DL-TOF-mediummodel in termen van diagnostisch vertrouwen een betere afweging in onze testset, omdat een lagere ruis en verbeterde detecteerbaarheid wenselijke kenmerken zijn voor een beeldreconstructie- of verbeteringstechniek", schrijft het team.

Ten slotte hebben de onderzoekers de DL-TOF-modellen toegepast op 10 examens die zijn verkregen op een niet-TOF PET-scanner, om de generaliseerbaarheid van de getrainde modellen te illustreren. Hoewel er geen grondwaarheid of doelafbeelding was ter vergelijking, toonde visuele inspectie aan dat de afbeeldingen vrij waren van duidelijke artefacten en de verwachte beeldverbetering vertoonden. Deze bevindingen suggereren dat de modellen mogelijk werken op gegevens van scanners die geen deel uitmaakten van de algoritme-trainingsdataset.

McGowan merkt op dat dit eerste werk gericht was op FDG-PET voor het hele lichaam voor oncologie, aangezien dit tegenwoordig de belangrijkste klinische toepassing van PET is. "Met de komst van nieuwe tracers en de toegenomen belangstelling voor orgaanspecifieke beeldvorming, testen we momenteel het bestaande algoritme in de context van deze nieuwe toepassingen, die niet in de trainingsgegevens waren vertegenwoordigd, en beslissen we of aanvullende training nodig is om adequate prestaties te bereiken voor andere indicaties”, vertelt hij Natuurkunde wereld.

De post Brengt time-of-flight kwaliteit naar niet-TOF PET-afbeeldingen verscheen eerst op Natuurkunde wereld.

• Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
• CryptoHawk. Altcoin-radar. Gratis proefversie.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/