Якість часу польоту для зображень PET, які не є TOF

ПЕТ-сканери використовують технологію Time-of-Flight (TOF), щоб зменшити шум зображення та покращити ідентифікацію ракових уражень. TOF працює, використовуючи різницю в часі між виявленням двох фотонів анігіляції PET для більш точної локалізації події анігіляції. Однак багато сучасних клінічних ПЕТ-сканерів не мають можливості TOF і втрачають покращену діагностичну впевненість, яку він надає.

«Існує значна різниця у вартості між сканерами TOF та не-TOF PET через високу вартість сцинтилятора, який використовується для TOF», – говорить Деніел Макгоуен з Оксфордського університету та Фонду NHS Foundation Hospitals Oxford University Hospitals, відзначаючи, що однією з найуспішніших ліній продуктів GE Healthcare є сканер для ПЕТ без TOF, Discovery IQ. «За нашими оцінками, приблизно кожен третій PET/CT сайт у світі наразі не має доступу до технології TOF».

Щоб вирівняти ці умови, Макгоуен та його співробітники використовують глибоке навчання, щоб принести переваги TOF до зображень PET, реконструйованих без інформації TOF. Написання в Європейський журнал ядерної медицини та молекулярної візуалізації, вони описують запропонований ними підхід глибокого навчання для покращення зображення TOF (DL-TOF).

Команда розробила три моделі DL-TOF (на основі згорткових нейронних мереж U-Net) для перетворення даних PET без TOF у відповідні TOF-подібні зображення. У моделях використовувалися різні рівні сили TOF (низький, середній або високий), щоб компенсувати підвищення контрастності та зменшення шуму.

Дослідники відзначають, що нейронна мережа не додає інформацію TOF до даних збігів PET, а навпаки, вона дізнається, як інформація TOF змінює характеристики зображення, а потім повторює ці зміни у вхідних зображеннях, які не є TOF. «Це саме завдання, з яким алгоритми глибокого навчання дуже добре справляються», – пояснює Макгоуен. «Вони можуть знаходити закономірності в даних і створювати трансформацію, яка створює візуально привабливі та кількісно точні зображення, які дають високу діагностичну впевненість радіологу або лікарю».

Оцінка моделі

Для навчання, перевірки та тестування моделей команда використовувала дані ПЕТ із 273 онкологічних обстежень FDG-PET всього тіла, проведених у шести клінічних закладах за допомогою ПЕТ/КТ-сканерів із підтримкою TOF. Дані PET були відновлені за допомогою алгоритму блочно-послідовно-регуляризованого очікування-максимізації (BSREM) з TOF та без нього.

Після навчання дослідники оцінили продуктивність моделі за допомогою тестового набору з 50 зображень. Вони дослідили стандартизовані значення поглинання (SUV) у 139 ураженнях і нормальних областях печінки та легенів, використовуючи до п’яти невеликих уражень і п’яти об’ємів, що представляють інтерес у легенях і печінці на кожного суб’єкта.

Порівняння вихідних даних трьох моделей DL-TOF з вхідними зображеннями без TOF показало, що моделі покращили загальну якість зображення, зменшивши шум і підвищивши контрастність ураження. На оригінальному зображенні без TOF, пошкоджений позашляховик_Макс відрізнявся від цільового зображення TOF на -28%. Застосування моделей з низьким, середнім і високим рівнем DL-TOF призвело до розбіжностей на −28%, −8% і 1.7% відповідно. Моделі також зменшили відмінності в позашляховику_{значити} з 7.7% до менше 2% в легенях і від 4.3% до нижче 1% в печінці.

Діагностична програма

На додаток до кількісної оцінки, три радіологи незалежно оцінили зображення набору для тестування з точки зору виявлення ураження, діагностичної впевненості та шуму/якості зображення. Зображення оцінювали за шкалою Лайкерта, яка коливається від 0 (не діагностика) до 5 (відмінно).

Висока модель DL-TOF значно покращила виявлення уражень, досягнувши найвищого бала серед трьох моделей. З точки зору діагностичної впевненості, DL-TOF середній отримав найкращий результат, тоді як DL-TOF низький – найкращий за шум/якість зображення. У всіх випадках найефективніша модель перевершувала цільове зображення TOF. Ці результати показують, як модель DL-TOF може бути адаптована, щоб збалансувати виявлення ураження та зменшення шуму, відповідно до переваг зчитувача зображень.

«Загалом, з точки зору діагностичної впевненості, середня модель DL-TOF забезпечує кращий компроміс у нашому тестовому наборі, оскільки нижчий шум і покращена детектування є бажаними характеристиками для техніки реконструкції або покращення зображення», — пише команда.

Нарешті, дослідники застосували моделі DL-TOF до 10 іспитів, отриманих на ПЕТ-сканері без TOF, щоб проілюструвати можливість узагальнення навчених моделей. Хоча для порівняння не було ґрунтовної правди чи цільового зображення, візуальний огляд показав, що зображення не містять очевидних артефактів і демонструють очікуване покращення зображення. Ці висновки свідчать про те, що моделі можуть працювати з даними зі сканерів, які не були частиною набору даних для навчання алгоритму.

Макгоуен зазначає, що ця початкова робота була зосереджена на ФДГ-ПЕТ всього тіла для онкології, оскільки це основне клінічне застосування ПЕТ сьогодні. «Однак із появою нових індикаторів та підвищеним інтересом до візуалізації, пов’язаної з органами, ми зараз тестуємо існуючий алгоритм у контексті цих нових додатків, які не були представлені в навчальних даних, і вирішуємо, чи потрібна додаткова підготовка, щоб досягти належних показників за іншими показаннями», – розповідає він Світ фізики.

Повідомлення Якість часу польоту для зображень PET, які не є TOF вперше з'явився на Світ фізики.

• Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
• Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
• CryptoHawk. Альткойн Радар. Безкоштовне випробування.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/