Trazendo qualidade de tempo de voo para imagens PET não TOF

Os scanners PET usam a tecnologia de tempo de voo (TOF) para reduzir o ruído da imagem e melhorar a identificação de lesões cancerígenas. O TOF funciona usando a diferença de tempo entre a detecção dos dois fótons de aniquilação PET para localizar com mais precisão o evento de aniquilação. No entanto, muitos scanners PET clínicos atuais não têm capacidade TOF e perdem a confiança diagnóstica aprimorada que ela confere.

“Existe uma diferença de custo significativa entre os scanners TOF e não TOF PET devido ao alto custo do cintilador usado para TOF”, diz Daniel McGowan da Universidade de Oxford e Hospitais da Universidade de Oxford NHS Foundation Trust, observando que uma das linhas de produtos de maior sucesso da GE Healthcare é um scanner PET não TOF, o Discovery IQ. “Estimamos que aproximadamente um em cada três locais de PET/CT no mundo atualmente não tem acesso à tecnologia TOF.”

Para nivelar esse campo de jogo, McGowan e colaboradores estão empregando aprendizado profundo para trazer os benefícios do TOF para imagens PET reconstruídas sem informações de TOF. Escrevendo no Revista Europeia de Medicina Nuclear e Imagem Molecular, eles descrevem sua proposta de aprendizado profundo para a abordagem de aprimoramento de imagem TOF (DL-TOF).

A equipe desenvolveu três modelos DL-TOF (baseados em redes neurais convolucionais U-Net) para transformar dados PET não TOF em imagens semelhantes a TOF correspondentes. Os modelos empregaram diferentes níveis de força TOF (baixo, médio ou alto) para compensar o aprimoramento de contraste com a redução de ruído.

Os pesquisadores observam que a rede neural não adiciona informações TOF aos dados de coincidência PET, mas aprende como as informações TOF alteram as características da imagem e, em seguida, replica essas alterações em imagens de entrada não TOF. “Esse é exatamente o tipo de tarefa que os algoritmos de aprendizado profundo fazem muito bem”, explica McGowan. “Eles podem encontrar padrões nos dados e criar a transformação que produz imagens visualmente atraentes e quantitativamente precisas que dão alta confiança no diagnóstico ao radiologista ou médico responsável”.

Avaliação de modelo

Para treinar, validar e testar os modelos, a equipe usou dados de PET de 273 exames de oncologia FDG-PET de corpo inteiro realizados em seis locais clínicos com scanners PET/CT compatíveis com TOF. Os dados do PET foram reconstruídos usando o algoritmo block-sequential-regularized-expectation-maximization (BSREM), com e sem TOF.

Após o treinamento, os pesquisadores avaliaram o desempenho do modelo usando um conjunto de teste de 50 imagens. Eles examinaram os valores de captação padronizados (SUVs) em 139 lesões e regiões normais do fígado e pulmões, usando até cinco pequenas lesões e cinco volumes de interesse nos pulmões e fígado por sujeito.

A comparação das saídas dos três modelos DL-TOF com as imagens de entrada não TOF mostrou que os modelos melhoraram a qualidade geral da imagem, reduzindo o ruído e aumentando o contraste da lesão. Na imagem original não-TOF, a lesão SUV_max diferiu da imagem TOF alvo em -28%. A aplicação dos modelos DL-TOF baixo, médio e alto resultou em diferenças de -28%, -8% e 1.7%, respectivamente. Os modelos também reduziram diferenças no SUV_significar de 7.7% para menos de 2% nos pulmões e de 4.3% para menos de 1% no fígado.

Aplicativo de diagnóstico

Além da avaliação quantitativa, três radiologistas avaliaram independentemente as imagens do conjunto de testes em termos de detectabilidade da lesão, confiança diagnóstica e ruído/qualidade da imagem. As imagens foram avaliadas com base em uma escala Likert, que varia de 0 (não diagnóstico) a 5 (excelente).

O modelo DL-TOF high melhorou significativamente a detectabilidade da lesão, alcançando a pontuação mais alta dos três modelos. Em termos de confiança diagnóstica, o DL-TOF médio obteve a melhor pontuação, enquanto o DL-TOF baixo obteve a melhor pontuação para ruído/qualidade de imagem. Em todos os casos, o modelo de melhor desempenho superou a imagem TOF de destino. Esses resultados destacam como o modelo DL-TOF pode ser adaptado para equilibrar a detecção de lesões versus a redução de ruído, de acordo com a preferência do leitor de imagens.

“No geral, em termos de confiança no diagnóstico, o modelo médio DL-TOF oferece uma melhor compensação em nosso conjunto de testes, pois um ruído mais baixo e uma melhor detectabilidade são recursos desejáveis ​​para uma reconstrução de imagem ou técnica de aprimoramento”, escreve a equipe.

Por fim, os pesquisadores aplicaram os modelos DL-TOF a 10 exames adquiridos em um scanner PET não TOF, para ilustrar a generalização dos modelos treinados. Embora não houvesse verdade ou imagem alvo para comparação, a inspeção visual mostrou que as imagens estavam livres de artefatos óbvios e exibiam o aprimoramento de imagem esperado. Essas descobertas sugerem que os modelos podem funcionar em dados de scanners que não faziam parte do conjunto de dados de treinamento do algoritmo.

McGowan observa que este trabalho inicial se concentrou no FDG-PET de corpo inteiro para oncologia, pois esta é a principal aplicação clínica do PET hoje. “No entanto, com o advento de novos traçadores e aumento do interesse em imagens específicas de órgãos, estamos atualmente testando o algoritmo existente no contexto dessas novas aplicações, que não foram representadas nos dados de treinamento, e decidindo se é necessário treinamento adicional para alcançar desempenho adequado para outras indicações”, conta Mundo da física.

O posto Trazendo qualidade de tempo de voo para imagens PET não TOF apareceu pela primeira vez em Mundo da física.

• Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
• CryptoHawk. Radar Altcoin. Teste grátis.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/