Gir flytidskvalitet til ikke-TOF PET-bilder

PET-skannere bruker time-of-flight (TOF)-teknologi for å redusere bildestøy og forbedre identifiseringen av kreftlesjoner. TOF fungerer ved å bruke tidsforskjellen mellom deteksjon av de to PET-utslettelsesfotonene for å mer nøyaktig lokalisere annihilasjonshendelsen. Imidlertid har mange nåværende kliniske PET-skannere ikke TOF-evne, og går glipp av den forbedrede diagnostiske tilliten som den gir.

"Det er en betydelig kostnadsforskjell mellom TOF og ikke-TOF PET-skannere på grunn av den høye kostnaden for scintillatoren som brukes til TOF," sier Daniel McGowan fra University of Oxford og Oxford University Hospitals NHS Foundation Trust, og bemerker at en av GE Healthcares mest suksessrike produktlinjer er en ikke-TOF PET-skanner, Discovery IQ. "Vi anslår at omtrent en av tre PET/CT-steder i verden for tiden ikke har tilgang til TOF-teknologi."

For å utjevne disse konkurransevilkårene bruker McGowan og samarbeidspartnere dyp læring for å bringe fordelene med TOF til PET-bilder rekonstruert uten TOF-informasjon. Skriver i European Journal of Nuclear Medicine and Molecular Imaging, beskriver de deres foreslåtte dyplæring for TOF-bildeforbedring (DL-TOF) tilnærming.

Teamet utviklet tre DL-TOF-modeller (basert på U-Net konvolusjonelle nevrale nettverk) for å transformere ikke-TOF PET-data til tilsvarende TOF-lignende bilder. Modellene brukte forskjellige nivåer av TOF-styrke (lav, middels eller høy) for å avveie kontrastforbedring mot støyreduksjon.

Forskerne bemerker at det nevrale nettverket ikke legger til TOF-informasjon til PET-tilfeldighetsdataene, men snarere lærer det hvordan TOF-informasjon endrer bildekarakteristikker og deretter replikerer disse endringene i ikke-TOF-inndatabilder. "Dette er akkurat den typen oppgave som dyplæringsalgoritmer gjør veldig bra," forklarer McGowan. "De kan finne mønstre i dataene og skape transformasjonen som produserer visuelt attraktive og kvantitativt nøyaktige bilder som gir høy diagnostisk tillit til den rapporterende radiologen eller legen."

Modellevaluering

For å trene, validere og teste modellene brukte teamet PET-data fra 273 helkropps FDG-PET onkologiske undersøkelser utført på seks kliniske steder med TOF-kompatible PET/CT-skannere. PET-dataene ble rekonstruert ved å bruke blokk-sekvensiell-regularisert-forventning-maksimering (BSREM) algoritmen, med og uten TOF.

Etter trening evaluerte forskerne modellens ytelse ved å bruke et testsett med 50 bilder. De undersøkte standardiserte opptaksverdier (SUV-er) i 139 lesjoner og normale områder av lever og lunger, ved å bruke opptil fem små lesjoner og fem volumer av interesse i lungene og leveren per forsøksperson.

Sammenligning av utdataene til de tre DL-TOF-modellene med input-ikke-TOF-bildene viste at modellene forbedret den generelle bildekvaliteten, reduserte støy og økte lesjonskontrasten. I det originale ikke-TOF-bildet, lesjon SUV_max skilte seg fra mål-TOF-bildet med -28 %. Bruk av DL-TOF lav-, middels- og høymodellene resulterte i forskjeller på henholdsvis -28 %, -8 % og 1.7 %. Modellene reduserte også forskjeller i SUV_bety fra 7.7 % til mindre enn 2 % i lungene, og fra 4.3 % til under 1 % i leveren.

Diagnostisk applikasjon

I tillegg til den kvantitative evalueringen, vurderte tre radiologer uavhengig av hverandre testsettets bilder med tanke på lesjonsdeteksjonsevne, diagnostisk sikkerhet og bildestøy/kvalitet. Bildene ble vurdert basert på en Likert-skala, som varierer fra 0 (ikke-diagnostisk) til 5 (utmerket).

DL-TOF høymodellen forbedret lesjonsdeteksjonsevnen betydelig, og oppnådde den høyeste poengsummen av de tre modellene. Når det gjelder diagnostisk konfidens, oppnådde DL-TOF medium best poengsum, mens DL-TOF lav scoret best for bildestøy/kvalitet. I alle tilfeller overgikk den beste modellen målet TOF-bildet. Disse resultatene fremhever hvordan DL-TOF-modellen kan skreddersys for å balansere lesjonsdeteksjon kontra støyreduksjon, i henhold til preferansen til bildeleseren.

"Samlet sett, når det gjelder diagnostisk tillit, gir DL-TOF-mediummodellen en bedre avveining i testsettet vårt, ettersom lavere støy og forbedret detekterbarhet er ønskelige funksjoner for en bilderekonstruksjon eller forbedringsteknikk," skriver teamet.

Til slutt brukte forskerne DL-TOF-modellene på 10 eksamener innhentet på en ikke-TOF PET-skanner, for å illustrere generaliserbarheten til de trente modellene. Selv om det ikke var noen grunnsannhet eller målbilde for sammenligning, viste visuell inspeksjon at bildene var fri for åpenbare gjenstander og viste den forventede bildeforbedringen. Disse funnene tyder på at modellene kan fungere på data fra skannere som ikke var en del av algoritmeopplæringsdatasettet.

McGowan bemerker at dette første arbeidet fokuserte på FDG-PET for hele kroppen for onkologi, da dette er den viktigste kliniske anvendelsen av PET i dag. "Men bruken av nye sporstoffer og økt interesse for organspesifikk bildebehandling, tester vi for tiden den eksisterende algoritmen i sammenheng med disse nye applikasjonene, som ikke var representert i treningsdataene, og avgjør om ytterligere opplæring er nødvendig for å oppnå tilstrekkelig ytelse for andre indikasjoner, sier han Fysikkens verden.

Innlegget Gir flytidskvalitet til ikke-TOF PET-bilder dukket først på Fysikkens verden.

• Myntsmart. Europas beste Bitcoin og Crypto Exchange.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
• CryptoHawk. Altcoin Radar. Gratis prøveperiode.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/