Skanery PET wykorzystują technologię czasu przelotu (TOF) w celu zmniejszenia szumu obrazu i poprawy identyfikacji zmian nowotworowych. TOF działa, wykorzystując różnicę czasu między wykryciem dwóch fotonów anihilacji PET, aby dokładniej zlokalizować zdarzenie anihilacji. Jednak wiele obecnych klinicznych skanerów PET nie ma funkcji TOF i nie zapewnia większej pewności diagnostycznej, jaką daje.
„Istnieje znaczna różnica w kosztach między skanerami PET TOF i innymi niż TOF ze względu na wysoki koszt scyntylatora używanego do TOF”, mówi Daniela McGowana z University of Oxford i Oxford University Hospitals NHS Foundation Trust, zauważając, że jedną z najbardziej udanych linii produktów GE Healthcare jest skaner PET bez TOF, Discovery IQ. „Szacujemy, że około jedna trzecia zakładów PET/CT na świecie nie ma obecnie dostępu do technologii TOF”.
Aby wyrównać te szanse, McGowan i współpracownicy wykorzystują głębokie uczenie, aby wykorzystać zalety TOF do obrazów PET zrekonstruowanych bez informacji TOF. Pisanie w Europejski dziennik medycyny nuklearnej i obrazowania molekularnego, opisują zaproponowane przez siebie podejście do głębokiego uczenia się w celu poprawy obrazu TOF (DL-TOF).
Zespół opracował trzy modele DL-TOF (oparte na splotowych sieciach neuronowych U-Net) w celu przekształcenia danych PET innych niż TOF w odpowiadające im obrazy podobne do TOF. Modele wykorzystywały różne poziomy siły TOF (niski, średni lub wysoki), aby zrównoważyć wzmocnienie kontrastu z redukcją szumów.
Naukowcy zauważają, że sieć neuronowa nie dodaje informacji TOF do danych koincydencji PET, ale raczej uczy się, jak informacja TOF zmienia charakterystykę obrazu, a następnie replikuje te zmiany w obrazach wejściowych innych niż TOF. „To jest dokładnie ten rodzaj zadania, które algorytmy uczenia głębokiego wykonują bardzo dobrze” — wyjaśnia McGowan. „Mogą znajdować wzorce w danych i tworzyć transformacje, które dają atrakcyjne wizualnie i ilościowo dokładne obrazy, które dają dużą pewność diagnostyczną zgłaszającemu radiologowi lub lekarzowi”.
Ocena modelu
Aby przeszkolić, zweryfikować i przetestować modele, zespół wykorzystał dane PET z 273 badań onkologicznych całego ciała FDG-PET przeprowadzonych w sześciu ośrodkach klinicznych za pomocą skanerów PET/CT obsługujących TOF. Dane PET zostały zrekonstruowane przy użyciu algorytmu blokowo-sekwencyjnego-regularyzowanego-oczekiwania-maksymalizacja (BSREM), z i bez TOF.
Po szkoleniu naukowcy ocenili wydajność modelu przy użyciu zestawu testowego składającego się z 50 obrazów. Zbadali standaryzowane wartości wychwytu (SUV) w 139 zmianach i normalnych obszarach wątroby i płuc, używając do pięciu małych zmian i pięciu interesujących objętości w płucach i wątrobie na pacjenta.
Porównanie wyników trzech modeli DL-TOF z obrazami wejściowymi bez TOF wykazało, że modele poprawiły ogólną jakość obrazu, redukując szumy i zwiększając kontrast zmian. Na oryginalnym obrazie bez TOF, uszkodzony SUVmax różnił się od docelowego obrazu TOF o -28%. Zastosowanie modeli DL-TOF low, medium i high spowodowało różnice odpowiednio -28%, -8% i 1.7%. Modele zmniejszyły również różnice w SUV-ieoznaczać od 7.7% do mniej niż 2% w płucach i od 4.3% do poniżej 1% w wątrobie.
Aplikacja diagnostyczna
Oprócz oceny ilościowej, trzech radiologów niezależnie oceniło obrazy zestawu testowego pod względem wykrywalności zmian, pewności diagnostycznej i szumu/jakości obrazu. Obrazy oceniano na podstawie skali Likerta, która waha się od 0 (niediagnostyczny) do 5 (doskonały).
Model DL-TOF high znacząco poprawił wykrywalność zmian chorobowych, osiągając najwyższy wynik spośród trzech modeli. Pod względem pewności diagnostycznej DL-TOF medium uzyskało najlepszy wynik, podczas gdy DL-TOF low uzyskał najlepszy wynik pod względem szumu/jakości obrazu. We wszystkich przypadkach najskuteczniejszy model przewyższał docelowy obraz TOF. Wyniki te pokazują, w jaki sposób można dostosować model DL-TOF, aby zrównoważyć wykrywanie zmian chorobowych i redukcję szumów, zgodnie z preferencjami czytnika obrazów.
„Ogólnie rzecz biorąc, pod względem pewności diagnostycznej, model średni DL-TOF zapewnia lepszy kompromis w naszym zestawie testowym, ponieważ niższy poziom szumu i lepsza wykrywalność są pożądanymi cechami w technice rekonstrukcji lub poprawy obrazu” – pisze zespół.
Sieci neuronowe poprawiają szacowanie czasu przelotu PET
Na koniec badacze zastosowali modele DL-TOF do 10 badań przeprowadzonych na skanerze PET innym niż TOF, aby zilustrować uogólnianie wytrenowanych modeli. Chociaż nie było obrazu rzeczywistego ani docelowego do porównania, inspekcja wizualna wykazała, że obrazy były wolne od oczywistych artefaktów i wykazywały oczekiwaną poprawę obrazu. Odkrycia te sugerują, że modele mogą działać na danych ze skanerów, które nie były częścią zestawu danych uczących algorytmu.
McGowan zauważa, że te wstępne prace koncentrowały się na FDG-PET całego ciała w onkologii, ponieważ jest to obecnie główne zastosowanie kliniczne PET. „Jednak wraz z pojawieniem się nowych znaczników i wzrostem zainteresowania obrazowaniem narządowym, obecnie testujemy istniejący algorytm w kontekście tych nowych aplikacji, które nie były reprezentowane w danych treningowych, i podejmujemy decyzję, czy potrzebne jest dodatkowe szkolenie w celu osiągnąć odpowiednią wydajność dla innych wskazań” – mówi Świat Fizyki.
AI w Tygodniu Fizyki Medycznej jest wspierany przez Słońce jądrowe, producent rozwiązań w zakresie bezpieczeństwa pacjentów dla ośrodków radioterapii i diagnostyki obrazowej. Wizyta www.sunnuklear.com aby dowiedzieć się więcej.
Post Zapewnienie jakości time-of-flight do obrazów innych niż TOF PET pojawiła się najpierw na Świat Fizyki.
- Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
- CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
- Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/
- 10
- 7
- a
- dostęp
- Stosownie
- dokładny
- Osiągać
- osiągnięty
- nabyty
- dodatek
- Dodatkowy
- przed
- algorytm
- Algorytmy
- Wszystkie kategorie
- Zastosowanie
- aplikacje
- stosowany
- Stosowanie
- podejście
- w przybliżeniu
- bo
- poniżej
- Korzyści
- BEST
- pomiędzy
- przynieść
- Etui
- pewność siebie
- Odpowiedni
- Stwórz
- Aktualny
- Obecnie
- dane
- głęboko
- opisać
- Wykrywanie
- rozwinięty
- różnica
- różne
- odkrycie
- oszacowanie
- ewaluację
- wydarzenie
- dokładnie
- doskonała
- Przede wszystkim system został opracowany
- spodziewany
- Korzyści
- i terminów, a
- koncentruje
- Fundacja
- Darmowy
- od
- ge
- opieki zdrowotnej
- Wysoki
- Atrakcja
- szpitale
- W jaki sposób
- Jednak
- HTTPS
- Identyfikacja
- obraz
- zdjęcia
- podnieść
- ulepszony
- wzrosła
- wzrastający
- niezależnie
- Informacja
- wkład
- odsetki
- IT
- dziennik
- nauka
- poziom
- poziomy
- linie
- Producent
- medyczny
- lekarstwo
- średni
- model
- modele
- jeszcze
- większość
- sieć
- sieci
- Hałas
- normalna
- Uwagi
- oczywista
- Inne
- ogólny
- Oxford
- Oxford University
- część
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- lekarz
- Fizyka
- gra
- Produkt
- zaproponowane
- zapewnia
- jakość
- ilościowy
- Czytelnik
- zmniejszyć
- Zredukowany
- redukcja
- reprezentowane
- Badacze
- Efekt
- Bezpieczeństwo
- Skala
- zestaw
- znaczący
- Witryny
- SIX
- mały
- Rozwiązania
- Łącza
- jest determinacja.
- przedmiot
- udany
- Utrzymany
- cel
- zespół
- Technologia
- mówi
- REGULAMIN
- test
- Testowanie
- Połączenia
- świat
- trzy
- czas
- już dziś
- handel
- Trening
- Przekształcać
- Transformacja
- Zaufaj
- uniwersytet
- University of Oxford
- posługiwać się
- Przeciw
- tydzień
- czy
- Podczas
- bez
- Praca
- działa
- świat
- pisanie