Mang lại chất lượng thời gian ‑ của ‑ chuyến bay cho hình ảnh PET không ‑ TOF

Máy quét PET sử dụng công nghệ time-of-Flight (TOF) để giảm nhiễu hình ảnh và cải thiện việc xác định các tổn thương ung thư. TOF hoạt động bằng cách sử dụng chênh lệch thời gian giữa việc phát hiện hai photon hủy hoại PET để xác định chính xác hơn sự kiện hủy diệt. Tuy nhiên, nhiều máy quét PET lâm sàng hiện tại không có khả năng TOF, và bỏ lỡ sự tin cậy chẩn đoán được cải thiện mà nó mang lại.

“Có một sự khác biệt đáng kể về chi phí giữa máy quét PET TOF và không TOF vì chi phí cao của máy soi chiếu được sử dụng cho TOF,” Daniel McGowan từ Đại học Oxford và Bệnh viện Đại học Oxford NHS Foundation Trust, lưu ý rằng một trong những dòng sản phẩm thành công nhất của GE Healthcare là máy quét PET không TOF, Discovery IQ. “Chúng tôi ước tính rằng khoảng một trong ba địa điểm PET / CT trên thế giới hiện không được tiếp cận với công nghệ TOF.”

Để cân bằng sân chơi này, McGowan và các cộng tác viên đang sử dụng học sâu để mang lại lợi ích của TOF cho hình ảnh PET được tái tạo mà không có thông tin TOF. Viết trong Tạp chí Châu Âu về Y học Hạt nhân và Hình ảnh Phân tử, họ mô tả phương pháp học sâu được đề xuất cho phương pháp nâng cao hình ảnh TOF (DL-TOF).

Nhóm đã phát triển ba mô hình DL-TOF (dựa trên mạng nơ-ron tích tụ U-Net) để biến đổi dữ liệu PET không phải TOF thành hình ảnh giống TOF tương ứng. Các kiểu máy sử dụng các mức cường độ TOF khác nhau (thấp, trung bình hoặc cao) để đánh đổi việc tăng cường độ tương phản với giảm nhiễu.

Các nhà nghiên cứu lưu ý rằng mạng nơ-ron không thêm thông tin TOF vào dữ liệu trùng hợp PET, mà thay vào đó, nó học cách thông tin TOF thay đổi đặc điểm hình ảnh và sau đó sao chép những thay đổi này trong các hình ảnh đầu vào không phải TOF. McGowan giải thích: “Đây chính xác là loại nhiệm vụ mà các thuật toán học sâu làm rất tốt. “Họ có thể tìm thấy các mẫu trong dữ liệu và tạo ra sự biến đổi để tạo ra hình ảnh hấp dẫn về mặt thị giác và chính xác về mặt định lượng, mang lại sự tin cậy cao về mặt chẩn đoán cho bác sĩ hoặc bác sĩ X quang báo cáo.”

Đánh giá mô hình

Để đào tạo, xác nhận và thử nghiệm các mô hình, nhóm đã sử dụng dữ liệu PET từ 273 bài kiểm tra ung thư FDG-PET toàn thân được thực hiện tại sáu cơ sở lâm sàng bằng máy quét PET / CT hỗ trợ TOF. Dữ liệu PET được tái tạo bằng cách sử dụng thuật toán khối-tuần tự-chính quy-kỳ vọng-tối đa hóa (BSREM), có và không có TOF.

Sau khi đào tạo, các nhà nghiên cứu đã đánh giá hiệu suất của mô hình bằng cách sử dụng một bộ thử nghiệm gồm 50 hình ảnh. Họ đã kiểm tra các giá trị hấp thu tiêu chuẩn (SUV) ở 139 tổn thương và các vùng bình thường của gan và phổi, sử dụng tối đa XNUMX tổn thương nhỏ và XNUMX thể tích cần quan tâm ở phổi và gan cho mỗi đối tượng.

So sánh kết quả đầu ra của ba mô hình DL-TOF với hình ảnh đầu vào không phải TOF cho thấy rằng các mô hình này đã cải thiện chất lượng hình ảnh tổng thể, giảm nhiễu và tăng độ tương phản tổn thương. Trong hình ảnh ban đầu không phải TOF, chiếc SUV bị thương_{tối đa} khác với hình ảnh TOF mục tiêu khoảng -28%. Việc áp dụng các mô hình DL-TOF thấp, trung bình và cao dẫn đến sự khác biệt lần lượt là −28%, −8% và 1.7%. Các mẫu xe cũng giảm bớt sự khác biệt trong phân khúc SUV_{nghĩa là} từ 7.7% đến dưới 2% ở phổi, và từ 4.3% đến dưới 1% ở gan.

Ứng dụng chẩn đoán

Ngoài việc đánh giá định lượng, ba bác sĩ X quang đã đánh giá độc lập hình ảnh bộ xét nghiệm về khả năng phát hiện tổn thương, độ tin cậy trong chẩn đoán và độ nhiễu / chất lượng hình ảnh. Hình ảnh được đánh giá dựa trên thang điểm Likert, nằm trong khoảng từ 0 (không chẩn đoán) đến 5 (xuất sắc).

Mô hình cao DL-TOF cải thiện đáng kể khả năng phát hiện tổn thương, đạt điểm cao nhất trong ba mô hình. Về độ tin cậy chẩn đoán, phương tiện DL-TOF đạt điểm cao nhất, trong khi DL-TOF thấp đạt điểm tốt nhất cho chất lượng / nhiễu hình ảnh. Trong mọi trường hợp, mô hình hoạt động hàng đầu vượt trội hơn hình ảnh TOF mục tiêu. Những kết quả này làm nổi bật cách mô hình DL-TOF có thể được điều chỉnh để cân bằng giữa việc phát hiện tổn thương và giảm nhiễu, theo sở thích của trình đọc hình ảnh.

“Nhìn chung, về độ tin cậy trong chẩn đoán, mô hình phương tiện DL-TOF mang lại sự cân bằng tốt hơn trong bộ thử nghiệm của chúng tôi, vì tiếng ồn thấp hơn và khả năng phát hiện được cải thiện là những tính năng mong muốn cho kỹ thuật tái tạo hoặc nâng cao hình ảnh,” nhóm viết.

Cuối cùng, các nhà nghiên cứu đã áp dụng các mô hình DL-TOF cho 10 bài kiểm tra thu được trên một máy quét PET không phải TOF, để minh họa khả năng tổng quát hóa của các mô hình được đào tạo. Mặc dù không có sự thật cơ sở hoặc hình ảnh đích để so sánh, kiểm tra bằng mắt cho thấy rằng các hình ảnh không có đồ tạo tác rõ ràng và thể hiện mức độ nâng cao hình ảnh như mong đợi. Những phát hiện này cho thấy rằng các mô hình có thể hoạt động trên dữ liệu từ máy quét không phải là một phần của tập dữ liệu đào tạo thuật toán.

McGowan lưu ý rằng công việc ban đầu này tập trung vào FDG-PET toàn thân cho ung thư học vì đây là ứng dụng lâm sàng chính của PET ngày nay. “Tuy nhiên, với sự ra đời của các thiết bị theo dõi mới và sự quan tâm ngày càng tăng đối với hình ảnh cụ thể về cơ quan, chúng tôi hiện đang thử nghiệm thuật toán hiện có trong bối cảnh các ứng dụng mới này, không được trình bày trong dữ liệu đào tạo và quyết định xem liệu có cần đào tạo thêm hay không đạt được hiệu suất thích hợp cho các chỉ định khác, ”ông nói Thế giới vật lý.

Các bài viết Mang lại chất lượng thời gian ‑ của ‑ chuyến bay cho hình ảnh PET không ‑ TOF xuất hiện đầu tiên trên Thế giới vật lý.

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Source: https://physicsworld.com/a/bringing-time%e2%80%91of%e2%80%91flight-quality-to-non%e2%80%91tof-pet-images/