Zapewnienie jakości time-of-flight do obrazów innych niż TOF PET

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 SUV_max 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-ie_oznaczać 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.

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.

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/