غیر TOF PET امیجز پر پرواز کے وقت کا معیار لانا

PET اسکینرز تصویری شور کو کم کرنے اور کینسر کے گھاووں کی شناخت کو بہتر بنانے کے لیے ٹائم آف فلائٹ (TOF) ٹیکنالوجی کا استعمال کرتے ہیں۔ TOF فنا کے واقعہ کو زیادہ درست طریقے سے مقامی بنانے کے لیے دو PET فنا فوٹونز کے پتہ لگانے کے درمیان وقت کے فرق کو استعمال کرتے ہوئے کام کرتا ہے۔ تاہم، بہت سے موجودہ کلینیکل پی ای ٹی سکینرز میں TOF کی صلاحیت نہیں ہے، اور وہ بہتر تشخیصی اعتماد سے محروم رہتے ہیں جو اسے فراہم کرتا ہے۔

"TOF اور Non TOF PET سکینرز کے درمیان لاگت کا ایک اہم فرق ہے کیونکہ TOF کے لیے استعمال ہونے والے سکینٹیلیٹر کی قیمت زیادہ ہے،" کہتے ہیں۔ ڈینیل میک گوون یونیورسٹی آف آکسفورڈ اور آکسفورڈ یونیورسٹی ہاسپٹلز NHS فاؤنڈیشن ٹرسٹ سے، یہ نوٹ کرتے ہوئے کہ GE ہیلتھ کیئر کی سب سے کامیاب پروڈکٹ لائنوں میں سے ایک نان TOF PET سکینر ہے، Discovery IQ۔ "ہمارا اندازہ ہے کہ دنیا میں تقریباً تین میں سے ایک PET/CT سائٹس کو فی الحال TOF ٹیکنالوجی تک رسائی حاصل نہیں ہے۔"

اس کھیل کے میدان کو برابر کرنے کے لیے، McGowan اور معاونین TOF کے فوائد کو PET تصاویر تک پہنچانے کے لیے گہری تعلیم پر کام کر رہے ہیں جو TOF معلومات کے بغیر دوبارہ تعمیر کی گئی ہیں۔ میں لکھنا یورپی جرنل آف نیوکلیئر میڈیسن اینڈ مالیکیولر امیجنگ، وہ TOF امیج اینہانسمنٹ (DL-TOF) اپروچ کے لیے اپنی مجوزہ گہری تعلیم کو بیان کرتے ہیں۔

ٹیم نے تین DL-TOF ماڈلز (U-Net convolutional neural نیٹ ورکس پر مبنی) تیار کیے تاکہ نان TOF PET ڈیٹا کو TOF جیسی تصاویر میں تبدیل کیا جا سکے۔ ماڈلز نے شور کی کمی کے خلاف کنٹراسٹ بڑھانے کی تجارت کرنے کے لیے TOF طاقت کی مختلف سطحوں (کم، درمیانے یا زیادہ) کو استعمال کیا۔

محققین نوٹ کرتے ہیں کہ نیورل نیٹ ورک TOF معلومات کو PET اتفاقیہ ڈیٹا میں شامل نہیں کرتا ہے، بلکہ یہ سیکھتا ہے کہ کس طرح TOF معلومات تصویری خصوصیات کو تبدیل کرتی ہے اور پھر ان تبدیلیوں کو غیر TOF ان پٹ امیجز میں نقل کرتا ہے۔ "یہ بالکل اسی قسم کا کام ہے جو گہری سیکھنے والے الگورتھم بہت اچھے طریقے سے کرتے ہیں،" میک گوون بتاتے ہیں۔ "وہ اعداد و شمار میں پیٹرن تلاش کر سکتے ہیں اور ایسی تبدیلی پیدا کر سکتے ہیں جو بصری طور پر پرکشش اور مقداری طور پر درست تصاویر تیار کرتی ہے جو رپورٹنگ ریڈیولوجسٹ یا معالج کو اعلیٰ تشخیصی اعتماد فراہم کرتی ہے۔"

ماڈل کی تشخیص

ماڈلز کی تربیت، توثیق اور جانچ کرنے کے لیے، ٹیم نے 273 پورے جسم کے FDG-PET آنکولوجی امتحانات کے PET ڈیٹا کا استعمال کیا جو TOF- قابل PET/CT سکینرز کے ساتھ چھ کلینکل سائٹس پر کیے گئے۔ PET ڈیٹا کو TOF کے ساتھ اور اس کے بغیر بلاک-سیکوینشل-ریگولرائزڈ-ایکسپیکٹیشن-میکسیمائزیشن (BSREM) الگورتھم کا استعمال کرتے ہوئے دوبارہ تشکیل دیا گیا تھا۔

تربیت کے بعد، محققین نے 50 امیجز کے ٹیسٹنگ سیٹ کا استعمال کرتے ہوئے ماڈل کی کارکردگی کا جائزہ لیا۔ انہوں نے 139 گھاووں اور جگر اور پھیپھڑوں کے عام علاقوں میں معیاری اپٹیک ویلیوز (SUVs) کی جانچ کی، جس میں فی مضمون پھیپھڑوں اور جگر میں پانچ چھوٹے گھاووں اور پانچ جلدوں کی دلچسپی کا استعمال کیا گیا۔

تین DL-TOF ماڈلز کے آؤٹ پٹس کا ان پٹ نان TOF امیجز کے ساتھ موازنہ کرنے سے یہ ظاہر ہوتا ہے کہ ماڈلز نے مجموعی امیج کوالٹی کو بہتر کیا، شور کو کم کیا اور نقصان کے تضاد کو بڑھایا۔ اصل نان TOF تصویر میں، زخم والی SUV_میکس ہدف TOF امیج سے −28% مختلف ہے۔ DL-TOF کم، درمیانے اور اعلیٰ ماڈلز کو لاگو کرنے کے نتیجے میں بالترتیب −28%، −8% اور 1.7% کا فرق ہوا۔ ماڈلز نے بھی SUV میں فرق کو کم کیا۔_مطلب پھیپھڑوں میں 7.7% سے 2% سے کم اور جگر میں 4.3% سے 1% سے کم۔

تشخیصی درخواست

مقداری تشخیص کے علاوہ، تین ریڈیولوجسٹ نے ٹیسٹنگ سیٹ امیجز کو زخموں کی شناخت، تشخیصی اعتماد اور تصویر کے شور/معیار کے لحاظ سے آزادانہ طور پر درجہ بندی کی۔ تصاویر کا اندازہ لیکرٹ اسکیل کی بنیاد پر کیا گیا، جس کی حد 0 (غیر تشخیصی) سے لے کر 5 (بہترین) ہے۔

DL-TOF ہائی ماڈل نے گھاووں کا پتہ لگانے کی صلاحیت کو نمایاں طور پر بہتر کیا، تینوں ماڈلز میں سب سے زیادہ سکور حاصل کیا۔ تشخیصی اعتماد کے لحاظ سے، DL-TOF میڈیم نے بہترین اسکور حاصل کیا، جبکہ DL-TOF کم نے تصویر کے شور/معیار کے لیے بہترین اسکور کیا۔ تمام معاملات میں، اعلیٰ کارکردگی کا مظاہرہ کرنے والے ماڈل نے ہدف TOF امیج کو پیچھے چھوڑ دیا۔ یہ نتائج اس بات پر روشنی ڈالتے ہیں کہ کس طرح DL-TOF ماڈل کو امیج ریڈر کی ترجیح کے مطابق گھاووں کا پتہ لگانے کے مقابلے میں شور میں کمی کے توازن کے لیے بنایا جا سکتا ہے۔

ٹیم لکھتی ہے، "مجموعی طور پر، تشخیصی اعتماد کے لحاظ سے، DL-TOF میڈیم ماڈل ہمارے ٹیسٹ سیٹ میں بہتر تجارت فراہم کرتا ہے، کیونکہ کم شور اور بہتر پتہ لگانے کی صلاحیت تصویر کی تعمیر نو یا بڑھانے کی تکنیک کے لیے مطلوبہ خصوصیات ہیں۔"

آخر کار، محققین نے DL-TOF ماڈلز کو غیر TOF PET سکینر پر حاصل کیے گئے 10 امتحانات پر لاگو کیا، تاکہ تربیت یافتہ ماڈلز کی عمومیت کو واضح کیا جا سکے۔ جب کہ موازنہ کے لیے کوئی زمینی سچائی یا ہدف کی تصویر نہیں تھی، بصری معائنہ سے معلوم ہوا کہ تصاویر واضح نوادرات سے پاک تھیں اور امیج میں متوقع اضافہ کی نمائش کی گئی۔ یہ نتائج بتاتے ہیں کہ ماڈلز اسکینرز کے ڈیٹا پر کام کر سکتے ہیں جو الگورتھم ٹریننگ ڈیٹاسیٹ کا حصہ نہیں تھے۔

McGowan نوٹ کرتا ہے کہ یہ ابتدائی کام پورے جسم کے FDG-PET پر اونکولوجی پر توجہ مرکوز کرتا ہے کیونکہ یہ آج PET کا بنیادی طبی اطلاق ہے۔ "تاہم، نئے ٹریسر کی آمد اور اعضاء سے متعلق مخصوص امیجنگ میں دلچسپی بڑھنے کے ساتھ، ہم فی الحال ان نئی ایپلی کیشنز کے تناظر میں موجودہ الگورتھم کی جانچ کر رہے ہیں، جن کی تربیت کے اعداد و شمار میں نمائندگی نہیں کی گئی تھی، اور یہ فیصلہ کر رہے ہیں کہ آیا اضافی تربیت کی ضرورت ہے۔ دوسرے اشارے کے لیے مناسب کارکردگی حاصل کریں،" وہ بتاتا ہے۔ طبیعیات کی دنیا.

پیغام غیر TOF PET امیجز پر پرواز کے وقت کا معیار لانا پہلے شائع طبیعیات کی دنیا.

• سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
• پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
• کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/