Tillför flygtidskvalitet till icke-TOF PET-bilder PlatoBlockchain Data Intelligence. Vertikal sökning. Ai.

Tillför flygtidskvalitet till bilder som inte är PET-bilder

Tidsstämpel: 20 juni 2022 4:30

PET-skannrar använder time-of-flight-teknik (TOF) för att minska bildbrus och förbättra identifieringen av cancerskador. TOF fungerar genom att använda tidsskillnaden mellan detektering av de två PET-förintelsefotonerna för att mer exakt lokalisera annihilationshändelsen. Många nuvarande kliniska PET-skannrar har dock inte TOF-kapacitet och går miste om det förbättrade diagnostiska förtroendet som det ger.

"Det finns en betydande kostnadsskillnad mellan TOF och icke-TOF PET-skannrar på grund av den höga kostnaden för scintillatorn som används för TOF", säger Daniel McGowan från University of Oxford och Oxford University Hospitals NHS Foundation Trust, och noterar att en av GE Healthcares mest framgångsrika produktlinjer är en icke-TOF PET-skanner, Discovery IQ. "Vi uppskattar att ungefär en av tre PET/CT-anläggningar i världen för närvarande inte har tillgång till TOF-teknik."

För att utjämna villkoren använder McGowan och medarbetare djupinlärning för att föra fördelarna med TOF till PET-bilder rekonstruerade utan TOF-information. Skriver i European Journal of Nuclear Medicine and Molecular Imaging, beskriver de deras föreslagna tillvägagångssätt för djupinlärning för TOF-bildförbättring (DL-TOF).

Daniel McGowan och Abolfazl Mehranian
Forskarna: Seniorförfattaren Daniel McGowan (vänster) och förstaförfattaren Abolfazl Mehranian (höger), från GE Healthcare. (Med tillstånd: Daniel McGowan)

Teamet utvecklade tre DL-TOF-modeller (baserade på U-Net konvolutionella neurala nätverk) för att omvandla icke-TOF PET-data till motsvarande TOF-liknande bilder. Modellerna använde olika nivåer av TOF-styrka (låg, medel eller hög) för att avväga kontrastförbättring mot brusreducering.

Forskarna noterar att det neurala nätverket inte lägger till TOF-information till PET-sammanfallsdata, utan snarare lär sig hur TOF-information ändrar bildegenskaper och sedan replikerar dessa förändringar i icke-TOF-indatabilder. "Det här är exakt den sortens uppgift som algoritmer för djupinlärning gör mycket bra," förklarar McGowan. "De kan hitta mönster i data och skapa transformationen som ger visuellt attraktiva och kvantitativt korrekta bilder som ger hög diagnostiskt förtroende för den rapporterande radiologen eller läkaren."

Modellutvärdering

För att träna, validera och testa modellerna använde teamet PET-data från 273 helkropps-FDG-PET-onkologiska undersökningar utförda på sex kliniska platser med TOF-kapabla PET/CT-skannrar. PET-datan rekonstruerades med hjälp av block-sequential-regularized-expectation-maximization (BSREM) algoritmen, med och utan TOF.

googletag.cmd.push (funktion () {googletag.display ('div-gpt-ad-3759129-1');});

Efter träning utvärderade forskarna modellens prestanda med hjälp av en testuppsättning med 50 bilder. De undersökte standardiserade upptagsvärden (SUV) i 139 lesioner och normala regioner av lever och lungor, med upp till fem små lesioner och fem volymer av intresse i lungorna och levern per försöksperson.

Att jämföra utdata från de tre DL-TOF-modellerna med ingående icke-TOF-bilder visade att modellerna förbättrade den övergripande bildkvaliteten, minskade brus och ökade lesionskontrasten. I den ursprungliga icke-TOF-bilden, lesions-SUV:nmax skiljde sig från målbilden för TOF med -28%. Användning av DL-TOF låg-, medel- och högmodellerna resulterade i skillnader på -28%, -8% respektive 1.7%. Modellerna minskade också skillnaderna i SUVbetyda från 7.7 % till mindre än 2 % i lungorna och från 4.3 % till under 1 % i levern.

Diagnostisk applikation

Utöver den kvantitativa utvärderingen bedömde tre radiologer oberoende testningsbilderna i termer av lesionsdetekterbarhet, diagnostiskt tillförlitlighet och bildbrus/kvalitet. Bilder bedömdes baserat på en Likert-skala, som sträcker sig från 0 (icke-diagnostisk) till 5 (utmärkt).

DL-TOF-högmodellen förbättrade avsevärt lesionsdetekterbarhet och uppnådde den högsta poängen av de tre modellerna. När det gäller diagnostiskt tillförlitlighet uppnådde DL-TOF medium det bästa poängen, medan DL-TOF lågt fick bäst poäng för bildbrus/kvalitet. I alla fall överträffade den högpresterande modellen mål-TOF-bilden. Dessa resultat belyser hur DL-TOF-modellen kan skräddarsys för att balansera lesionsdetektering kontra brusreducering, enligt bildläsarens preferenser.

"Sammantaget, när det gäller diagnostiskt förtroende, ger mediummodellen DL-TOF en bättre avvägning i vårt testset, eftersom lägre brus och förbättrad detekterbarhet är önskvärda egenskaper för en bildrekonstruktion eller förbättringsteknik", skriver teamet.

Slutligen tillämpade forskarna DL-TOF-modellerna på 10 undersökningar som förvärvats på en icke-TOF PET-skanner, för att illustrera generaliserbarheten hos de tränade modellerna. Även om det inte fanns någon grundsanning eller målbild för jämförelse, visade visuell inspektion att bilderna var fria från uppenbara artefakter och uppvisade den förväntade bildförbättringen. Dessa fynd tyder på att modellerna kan fungera på data från skannrar som inte var en del av algoritmträningsdatauppsättningen.

McGowan noterar att detta inledande arbete fokuserade på FDG-PET för hela kroppen för onkologi eftersom detta är den huvudsakliga kliniska tillämpningen av PET idag. "Men tillkomsten av nya spårämnen och ökat intresse för organspecifik avbildning, testar vi för närvarande den befintliga algoritmen i samband med dessa nya applikationer, som inte var representerade i träningsdata, och beslutar om ytterligare utbildning behövs för att uppnå adekvat prestanda för andra indikationer, säger han Fysikvärlden.

Sun NuclearAI i Medical Physics Week stöds av Sun Nuclear, en tillverkare av patientsäkerhetslösningar för strålbehandling och diagnostiska bildbehandlingscentra. Besök www.sunnuclear.com ta reda på mer.

Posten Tillför flygtidskvalitet till bilder som inte är PET-bilder visades först på Fysikvärlden.

Tidsstämpel:

Mer från Fysikvärlden