นำคุณภาพเวลาบินมาสู่รูปภาพที่ไม่ใช่ TOF PET

เครื่องสแกน PET ใช้เทคโนโลยี time-of-flight (TOF) เพื่อลดสัญญาณรบกวนของภาพและปรับปรุงการระบุรอยโรคที่เป็นมะเร็ง TOF ทำงานโดยใช้ความแตกต่างของเวลาระหว่างการตรวจจับโฟตอนการทำลายล้าง PET สองตัวเพื่อกำหนดตำแหน่งเหตุการณ์การทำลายล้างได้แม่นยำยิ่งขึ้น อย่างไรก็ตาม เครื่องสแกน PET ทางคลินิกในปัจจุบันจำนวนมากไม่มีความสามารถในการ TOF และพลาดความมั่นใจในการวินิจฉัยที่ได้รับการปรับปรุงให้ดีขึ้น

"มีความแตกต่างด้านต้นทุนอย่างมีนัยสำคัญระหว่างเครื่องสแกน TOF และ non-TOF PET เนื่องจากเครื่องเรืองแสงวาบที่ใช้สำหรับ TOF มีราคาสูง" กล่าว แดเนียล แมคโกแวน จาก University of Oxford และ Oxford University Hospitals NHS Foundation Trust โดยสังเกตว่าหนึ่งในสายผลิตภัณฑ์ที่ประสบความสำเร็จมากที่สุดของ GE Healthcare คือ Discovery IQ ซึ่งเป็นเครื่องสแกน PET ที่ไม่ใช่ TOF “เราคาดว่าประมาณหนึ่งในสามของไซต์ PET/CT ในโลกปัจจุบันไม่สามารถเข้าถึงเทคโนโลยี TOF”

เพื่อยกระดับสนามเด็กเล่นนี้ McGowan และผู้ทำงานร่วมกันใช้การเรียนรู้เชิงลึกเพื่อนำประโยชน์ของ TOF มาสู่ภาพ PET ที่สร้างขึ้นใหม่โดยไม่มีข้อมูล TOF เขียนใน วารสารเวชศาสตร์นิวเคลียร์แห่งยุโรปและการถ่ายภาพระดับโมเลกุลพวกเขาอธิบายการเรียนรู้เชิงลึกที่เสนอสำหรับแนวทางการปรับปรุงภาพ TOF (DL-TOF)

ทีมงานได้พัฒนาโมเดล DL-TOF สามรุ่น (อิงจากโครงข่ายประสาท U-Net convolutional neural) เพื่อแปลงข้อมูล PET ที่ไม่ใช่ TOF เป็นภาพที่คล้าย TOF ที่สอดคล้องกัน โมเดลใช้ระดับความแรง TOF ที่แตกต่างกัน (ต่ำ กลาง หรือสูง) เพื่อแลกกับการเพิ่มประสิทธิภาพคอนทราสต์กับการลดสัญญาณรบกวน

นักวิจัยตั้งข้อสังเกตว่าโครงข่ายประสาทเทียมไม่ได้เพิ่มข้อมูล TOF ลงในข้อมูลบังเอิญของ PET แต่จะเรียนรู้ว่าข้อมูล TOF เปลี่ยนลักษณะเฉพาะของภาพอย่างไร จากนั้นจึงจำลองการเปลี่ยนแปลงเหล่านี้ในภาพที่ป้อนที่ไม่ใช่ TOF “นี่เป็นงานประเภทหนึ่งที่อัลกอริทึมการเรียนรู้เชิงลึกทำงานได้ดีมาก” McGowan อธิบาย "พวกเขาสามารถค้นหารูปแบบในข้อมูลและสร้างการเปลี่ยนแปลงที่สร้างภาพที่ดึงดูดสายตาและแม่นยำในเชิงปริมาณซึ่งให้ความมั่นใจในการวินิจฉัยสูงแก่นักรังสีวิทยาหรือแพทย์ที่รายงาน"

การประเมินแบบจำลอง

ในการฝึก ตรวจสอบ และทดสอบแบบจำลอง ทีมงานได้ใช้ข้อมูล PET จากการทดสอบเนื้องอกวิทยาด้วย FDG-PET ทั้งตัว 273 ครั้ง ที่ไซต์ทางคลินิก XNUMX แห่งด้วยเครื่องสแกน PET/CT ที่สามารถใช้ TOF ข้อมูล PET ถูกสร้างขึ้นใหม่โดยใช้อัลกอริธึม block-sequential-regularized-expectation–maximization (BSREM) แบบมีและไม่มี TOF

หลังการฝึกอบรม นักวิจัยประเมินประสิทธิภาพของแบบจำลองโดยใช้ชุดทดสอบจำนวน 50 ภาพ พวกเขาตรวจสอบค่าการดูดซึมมาตรฐาน (SUVs) ใน 139 รอยโรคและบริเวณปกติของตับและปอด โดยใช้รอยโรคเล็กๆ น้อยๆ ไม่เกิน XNUMX รอย และความสนใจในปอดและตับ XNUMX ปริมาตรต่ออาสาสมัคร

การเปรียบเทียบเอาต์พุตของรุ่น DL-TOF ทั้งสามรุ่นกับอินพุตภาพที่ไม่ใช่ TOF แสดงให้เห็นว่าโมเดลดังกล่าวปรับปรุงคุณภาพของภาพโดยรวม ลดสัญญาณรบกวน และเพิ่มคอนทราสต์ของรอยโรค ในภาพที่ไม่ใช่ TOF ดั้งเดิม lesion SUV_{แม็กซ์} แตกต่างจากภาพ TOF เป้าหมาย −28% การใช้โมเดลต่ำ กลาง และสูง DL-TOF ทำให้เกิดความแตกต่าง −28%, −8% และ 1.7% ตามลำดับ โมเดลยังลดความแตกต่างใน SUV_{หมายความ} จาก 7.7% ถึงน้อยกว่า 2% ในปอดและจาก 4.3% เป็นต่ำกว่า 1% ในตับ

โปรแกรมวินิจฉัย

นอกเหนือจากการประเมินเชิงปริมาณแล้ว นักรังสีวิทยา 0 คนยังให้คะแนนภาพชุดการทดสอบอย่างอิสระในแง่ของการตรวจหารอยโรค ความมั่นใจในการวินิจฉัย และสัญญาณรบกวน/คุณภาพของภาพ รูปภาพได้รับการประเมินตามมาตราส่วน Likert ซึ่งมีตั้งแต่ 5 (ไม่วินิจฉัย) ถึง XNUMX (ดีเยี่ยม)

โมเดลสูง DL-TOF ช่วยปรับปรุงความสามารถในการตรวจจับรอยโรคได้อย่างมีนัยสำคัญ โดยได้คะแนนสูงสุดจากทั้งสามรุ่น ในแง่ของความมั่นใจในการวินิจฉัย ตัวกลาง DL-TOF ได้คะแนนที่ดีที่สุด ในขณะที่ DL-TOF ในระดับต่ำทำคะแนนได้ดีที่สุดสำหรับสัญญาณรบกวน/คุณภาพของภาพ ในทุกกรณี โมเดลที่มีประสิทธิภาพสูงสุดได้คะแนนเหนือกว่าอิมเมจ TOF เป้าหมาย ผลลัพธ์เหล่านี้เน้นให้เห็นถึงวิธีการปรับแต่งโมเดล DL-TOF เพื่อให้การตรวจจับรอยโรคสมดุลกับการลดสัญญาณรบกวน ตามความต้องการของเครื่องอ่านภาพ

“โดยรวมแล้ว ในแง่ของความมั่นใจในการวินิจฉัย โมเดลสื่อ DL-TOF ให้การประนีประนอมที่ดีกว่าในชุดทดสอบของเรา เนื่องจากสัญญาณรบกวนที่ต่ำลงและความสามารถในการตรวจจับที่ดีขึ้นเป็นคุณสมบัติที่พึงประสงค์สำหรับการสร้างภาพขึ้นใหม่หรือเทคนิคการเพิ่มประสิทธิภาพ” ทีมงานเขียน

ในที่สุด นักวิจัยได้ใช้แบบจำลอง DL-TOF กับการทดสอบ 10 ครั้งที่ได้จากเครื่องสแกน PET ที่ไม่ใช่ TOF เพื่อแสดงให้เห็นถึงความสามารถทั่วไปของแบบจำลองที่ได้รับการฝึกอบรม แม้ว่าจะไม่มีภาพจริงหรือภาพเป้าหมายสำหรับการเปรียบเทียบ การตรวจสอบด้วยภาพแสดงให้เห็นว่าภาพนั้นปราศจากสิ่งแปลกปลอมที่ชัดเจนและแสดงให้เห็นถึงการปรับปรุงภาพที่คาดหวัง การค้นพบนี้ชี้ให้เห็นว่าแบบจำลองอาจทำงานกับข้อมูลจากเครื่องสแกนที่ไม่ได้เป็นส่วนหนึ่งของชุดข้อมูลการฝึกอัลกอริทึม

McGowan ตั้งข้อสังเกตว่างานแรกนี้มุ่งเน้นไปที่ FDG-PET ทั้งตัวสำหรับเนื้องอกวิทยา เนื่องจากเป็นการนำ PET ไปใช้ทางคลินิกหลักในปัจจุบัน “อย่างไรก็ตาม ด้วยการกำเนิดของตัวติดตามใหม่และความสนใจที่เพิ่มขึ้นในการถ่ายภาพเฉพาะอวัยวะ ขณะนี้เรากำลังทดสอบอัลกอริทึมที่มีอยู่ในบริบทของแอปพลิเคชันใหม่เหล่านี้ ซึ่งไม่ได้แสดงในข้อมูลการฝึกอบรม และตัดสินใจว่าจำเป็นต้องมีการฝึกอบรมเพิ่มเติมหรือไม่ บรรลุผลการปฏิบัติงานที่เพียงพอสำหรับสิ่งบ่งชี้อื่น ๆ ” เขากล่าว โลกฟิสิกส์.

โพสต์ นำคุณภาพเวลาบินมาสู่รูปภาพที่ไม่ใช่ TOF PET ปรากฏตัวครั้งแรกเมื่อ โลกฟิสิกส์.

• คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
• คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/