TOF olmayan PET görüntülere uçuş süresi kalitesi getirme

PET tarayıcılar, görüntü parazitini azaltmak ve kanserli lezyonların tanımlanmasını iyileştirmek için uçuş süresi (TOF) teknolojisini kullanır. TOF, yok olma olayını daha doğru bir şekilde lokalize etmek için iki PET yok olma fotonunun tespiti arasındaki zaman farkını kullanarak çalışır. Bununla birlikte, mevcut klinik PET tarayıcıların çoğu TOF özelliğine sahip değildir ve sağladığı gelişmiş tanısal güveni kaçırır.

"TOF için kullanılan sintilatörün yüksek maliyeti nedeniyle TOF ve TOF olmayan PET tarayıcılar arasında önemli bir maliyet farkı var" diyor. Daniel McGowan Oxford Üniversitesi ve Oxford Üniversite Hastaneleri NHS Foundation Trust'tan GE Healthcare'in en başarılı ürün gruplarından birinin TOF olmayan bir PET tarayıcı olan Discovery IQ olduğunu belirtti. “Dünyadaki yaklaşık üç PET/CT sahasından birinin şu anda TOF teknolojisine erişimi olmadığını tahmin ediyoruz.”

Bu oyun alanını düzleştirmek için McGowan ve ortak çalışanlar, TOF'un faydalarını TOF bilgisi olmadan yeniden oluşturulan PET görüntülerine getirmek için derin öğrenmeyi kullanıyor. içinde yazmak Avrupa Nükleer Tıp ve Moleküler Görüntüleme Dergisi, TOF görüntü geliştirme (DL-TOF) yaklaşımı için önerilen derin öğrenmeyi açıklarlar.

Ekip, TOF olmayan PET verilerini karşılık gelen TOF benzeri görüntülere dönüştürmek için üç DL-TOF modeli (U-Net evrişimli sinir ağlarına dayalı) geliştirdi. Modeller, gürültü azaltma ile kontrast geliştirmeyi dengelemek için farklı TOF gücü seviyeleri (düşük, orta veya yüksek) kullanmıştır.

Araştırmacılar, sinir ağının PET çakışma verilerine TOF bilgisi eklemediğini, bunun yerine TOF bilgisinin görüntü özelliklerini nasıl değiştirdiğini öğrendiğini ve ardından bu değişiklikleri TOF olmayan girdi görüntülerinde çoğalttığını belirtiyor. McGowan, "Bu tam olarak derin öğrenme algoritmalarının çok iyi yaptığı türden bir görevdir" diye açıklıyor. "Verilerdeki kalıpları bulabilir ve raporlama yapan radyolog veya hekime yüksek tanısal güven veren görsel olarak çekici ve niceliksel olarak doğru görüntüler üreten dönüşümü yaratabilirler."

Model değerlendirme

Modelleri eğitmek, doğrulamak ve test etmek için ekip, TOF özellikli PET/CT tarayıcılarla altı klinik tesiste gerçekleştirilen 273 tüm vücut FDG-PET onkoloji muayenesinden elde edilen PET verilerini kullandı. PET verileri, TOF'lu ve TOF'suz blok sıralı-düzenli-beklenti-maksimizasyon (BSREM) algoritması kullanılarak yeniden yapılandırıldı.

Eğitimden sonra araştırmacılar, 50 görüntüden oluşan bir test seti kullanarak model performansını değerlendirdi. Denek başına akciğerlerde ve karaciğerde beş adede kadar küçük lezyon ve beş ilgi hacmi kullanarak 139 lezyonda ve karaciğer ve akciğerlerin normal bölgelerinde standartlaştırılmış alım değerlerini (SUV'ler) incelediler.

Üç DL-TOF modelinin çıktılarının TOF olmayan girdi görüntüleri ile karşılaştırılması, modellerin genel görüntü kalitesini iyileştirdiğini, paraziti azalttığını ve lezyon kontrastını artırdığını gösterdi. Orijinal TOF olmayan görüntüde, lezyon SUV_maksimum hedef TOF görüntüsünden -%28 farklıydı. DL-TOF düşük, orta ve yüksek modellerinin uygulanması, sırasıyla -%28, -%8 ve %1.7'lik farklılıklarla sonuçlandı. Modeller ayrıca SUV'deki farklılıkları da azalttı_ortalama akciğerlerde %7.7'den %2'ye ve karaciğerde %4.3'ten %1'in altına kadar.

Teşhis uygulaması

Nicel değerlendirmeye ek olarak, üç radyolog, test seti görüntülerini lezyon saptanabilirliği, tanısal güven ve görüntü gürültüsü/kalitesi açısından bağımsız olarak derecelendirdi. Görüntüler, 0 (tanısal olmayan) ile 5 (mükemmel) arasında değişen bir Likert ölçeğine göre değerlendirildi.

DL-TOF yüksek modeli, lezyon saptanabilirliğini önemli ölçüde iyileştirdi ve üç model arasında en yüksek puanı elde etti. Tanısal güven açısından, DL-TOF ortamı en iyi puanı alırken, DL-TOF düşük, görüntü paraziti/kalitesi için en iyi puanı aldı. Her durumda, en iyi performans gösteren model, hedef TOF görüntüsünü geride bıraktı. Bu sonuçlar, görüntü okuyucunun tercihine göre, DL-TOF modelinin lezyon algılama ile gürültü azaltmayı dengelemek için nasıl uyarlanabileceğini vurgulamaktadır.

Ekip, "Genel olarak, tanısal güven açısından, DL-TOF orta modeli test setimizde daha iyi bir denge sağlıyor, çünkü daha düşük gürültü ve gelişmiş algılanabilirlik, bir görüntü yeniden oluşturma veya iyileştirme tekniği için istenen özelliklerdir" diye yazıyor.

Son olarak, araştırmacılar, eğitilmiş modellerin genelleştirilebilirliğini göstermek için DL-TOF modellerini TOF olmayan bir PET tarayıcıda elde edilen 10 sınava uyguladılar. Karşılaştırma için temel gerçek veya hedef görüntü olmamasına rağmen, görsel inceleme, görüntülerde bariz artefaktlar bulunmadığını ve beklenen görüntü geliştirmesini sergilediğini gösterdi. Bu bulgular, modellerin algoritma eğitimi veri setinin parçası olmayan tarayıcılardan alınan veriler üzerinde çalışabileceğini düşündürmektedir.

McGowan, bu ilk çalışmanın onkoloji için tüm vücut FDG-PET'e odaklandığını, çünkü bunun bugün PET'in ana klinik uygulaması olduğunu belirtiyor. "Ancak, yeni izleyicilerin ortaya çıkması ve organa özgü görüntülemeye olan ilginin artmasıyla, şu anda mevcut algoritmayı, eğitim verilerinde temsil edilmeyen bu yeni uygulamalar bağlamında test ediyoruz ve ek eğitimin gerekip gerekmediğine karar veriyoruz. diğer endikasyonlar için yeterli performans elde edin” diyor. Fizik dünyası.

Sonrası TOF olmayan PET görüntülere uçuş süresi kalitesi getirme İlk çıktı Fizik dünyası.

• Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
• KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/