Prinašanje kakovosti časa leta na slike PET, ki niso TOF

Skenerji PET uporabljajo tehnologijo časa preleta (TOF) za zmanjšanje šuma slike in izboljšanje identifikacije rakavih lezij. TOF deluje tako, da uporabi časovno razliko med zaznavo dveh anihilacijskih fotonov PET za natančnejšo lokalizacijo anihilacijskega dogodka. Vendar pa mnogi trenutni klinični skenerji PET nimajo zmogljivosti TOF in pogrešajo izboljšano diagnostično zaupanje, ki ga daje.

"Med skenerji TOF in tistimi, ki niso PET, obstaja velika razlika v ceni zaradi visokih stroškov scintilatorja, ki se uporablja za TOF," pravi Daniel McGowan z Univerze v Oxfordu in Oxford University Hospitals NHS Foundation Trust, pri čemer ugotavlja, da je ena najuspešnejših linij izdelkov GE Healthcare skener PET, ki ni TOF, Discovery IQ. "Ocenjujemo, da približno ena od treh PET/CT lokacij na svetu trenutno nima dostopa do tehnologije TOF."

Da bi dosegli enake konkurenčne pogoje, McGowan in sodelavci uporabljajo globoko učenje, da bi koristili TOF na slikah PET, rekonstruiranih brez informacij TOF. Pisanje v European Journal of Nuclear Medicine and Molecular Imaging, opisujejo svoj predlagani pristop globokega učenja za izboljšavo slike TOF (DL-TOF).

Ekipa je razvila tri modele DL-TOF (temelji na konvolucijskih nevronskih mrežah U-Net) za pretvorbo ne-TOF PET podatkov v ustrezne TOF-podobne slike. Modeli so uporabljali različne ravni moči TOF (nizko, srednje ali visoko) za zamenjavo povečanja kontrasta z zmanjšanjem šuma.

Raziskovalci ugotavljajo, da nevronska mreža ne doda informacij TOF podatkom o naključju PET, temveč se nauči, kako informacije TOF spremenijo značilnosti slike in nato ponovijo te spremembe v vhodnih slikah, ki niso TOF. "To je točno takšna naloga, ki jo algoritmi globokega učenja zelo dobro opravijo," pojasnjuje McGowan. "V podatkih lahko najdejo vzorce in ustvarijo transformacijo, ki ustvari vizualno privlačne in kvantitativno natančne slike, ki dajejo visoko diagnostično zaupanje radiologu ali zdravniku, ki poroča."

Ocenjevanje modela

Za usposabljanje, validacijo in testiranje modelov je skupina uporabila podatke PET iz 273 onkoloških preiskav celega telesa FDG-PET, izvedenih na šestih kliničnih lokacijah s skenerji PET/CT, ki podpirajo TOF. Podatki PET so bili rekonstruirani z algoritmom BSREM (block-sequential-regularized-expectation-maximization) z in brez TOF.

Po usposabljanju so raziskovalci ovrednotili delovanje modela s testnim nizom 50 slik. Pregledali so standardizirane vrednosti privzema (SUV) v 139 lezijah in normalnih predelih jeter in pljuč, pri čemer so uporabili do pet majhnih lezij in pet zanimivih volumnov v pljučih in jetrih na osebo.

Primerjava rezultatov treh modelov DL-TOF z vhodnimi slikami brez TOF je pokazala, da so modeli izboljšali splošno kakovost slike, zmanjšali šum in povečali kontrast lezije. Na izvirni sliki, ki ni TOF, lezija SUV_max razlikovala od ciljne slike TOF za -28%. Uporaba nizkih, srednjih in visokih modelov DL-TOF je povzročila razlike -28%, -8% in 1.7%. Modeli so tudi zmanjšali razlike v SUV_pomeni od 7.7 % do manj kot 2 % v pljučih in od 4.3 % do pod 1 % v jetrih.

Diagnostična aplikacija

Poleg kvantitativnega vrednotenja so trije radiologi neodvisno ocenili slike testnega niza v smislu zaznavnosti lezije, diagnostične zanesljivosti in šuma/kakovosti slike. Slike so bile ocenjene na podlagi Likertove lestvice, ki sega od 0 (nediagnostično) do 5 (odlično).

Visoki model DL-TOF je znatno izboljšal zaznavnost lezij in dosegel najvišjo oceno med tremi modeli. Kar zadeva diagnostično zaupanje, je DL-TOF medium dosegel najboljši rezultat, medtem ko je DL-TOF low dosegel najboljše rezultate za šum/kakovost slike. V vseh primerih je najuspešnejši model presegel ciljno sliko TOF. Ti rezultati poudarjajo, kako je mogoče model DL-TOF prilagoditi za ravnotežje med zaznavanjem lezij in zmanjšanjem šuma, glede na želje bralnika slik.

»Na splošno glede na diagnostično zaupanje srednji model DL-TOF zagotavlja boljši kompromis v našem testnem nizu, saj sta nižji šum in izboljšana zaznavnost zaželeni lastnosti za tehniko rekonstrukcije ali izboljšave slike,« piše ekipa.

Nazadnje so raziskovalci uporabili modele DL-TOF za 10 izpitov, pridobljenih na skenerju PET, ki ni TOF, da bi ponazorili posplošljivost usposobljenih modelov. Čeprav ni bilo temeljne resnice ali ciljne slike za primerjavo, je vizualni pregled pokazal, da so bile slike brez očitnih artefaktov in so pokazale pričakovano izboljšavo slike. Te ugotovitve kažejo, da modeli morda delujejo na podatkih iz skenerjev, ki niso bili del nabora podatkov za usposabljanje algoritmov.

McGowan ugotavlja, da se je to začetno delo osredotočilo na FDG-PET celega telesa za onkologijo, saj je to glavna klinična uporaba PET danes. »Vendar s pojavom novih sledilnikov in povečanim zanimanjem za slikanje, specifično za organe, trenutno preizkušamo obstoječi algoritem v kontekstu teh novih aplikacij, ki niso bile predstavljene v podatkih za usposabljanje, in se odločamo, ali je potrebno dodatno usposabljanje za doseči ustrezno učinkovitost za druge indikacije,« pravi Svet fizike.

Pošta Prinašanje kakovosti časa leta na slike PET, ki niso TOF pojavil prvi na Svet fizike.

• Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
• CryptoHawk. Altcoin radar. Brezplačen preizkus.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/