Что нам нужно знать о ПЭТ / КТ?

Что нам нужно знать о ПЭТ / КТ?

ПЭТ / КТ - это устройство для ядерной медицины, которое идеально объединяет системы ПЭТ и КТ. ПЭТ предоставляет подробную молекулярную информацию о функции и метаболизме поражения, в то время как КТ обеспечивает точное анатомическое расположение поражения, а одноразовая визуализация позволяет получить томографические изображения всего тела. По сравнению с независимыми ПЭТ и КТ, ПЭТ / КТ может значительно улучшить чувствительность, точность, специфичность и точность позиционирования диагностики. Он может с первого взгляда понять общее состояние всего тела и достичь цели раннего обнаружения поражений и диагностики заболеваний. Он в основном используется для раннего обнаружения и диагностики основных заболеваний опухолей, головного мозга и сердца.

Согласно большим данным Глобального годового отчета по раку, опубликованного в 2018 году, во всем мире насчитывается около 18,1 миллиона новых случаев рака и 9,6 миллиона смертей от рака. На каждые 65 человек в нашей стране приходится 1 больной раком, что является основной причиной смерти. Согласно статистике Всемирной организации здравоохранения, нынешние показатели излечимости и выживаемости при различных методах лечения не устраивают людей. Основные причины заключаются в том, что диагноз поставлен слишком поздно, стадия неточна, а лечение неполно. Поскольку с помощью ПЭТ / КТ можно наблюдать изменения клеточного метаболизма в организме, можно выяснить природу первичной опухоли&№39 (дифференциация доброкачественных и злокачественных опухолей, стадия и классификация опухоли) до структурных и морфологических исследований. изменения, и есть ли системные метастатические поражения (системные состояния) Оценка), каков эффект (через несколько дней или даже часов после лучевой терапии можно наблюдать терапевтический эффект опухоли, вовремя скорректировать план лечения и радикально вылечить неполное обработанное поражение) и т. д. Кроме того, ПЭТ / КТ имеет уникальные преимущества в локализации поражений эпилепсии головного мозга перед операцией, идентификации радиационного некроза и рецидива после лечения опухоли, классификации злокачественных опухолей головного мозга и неврологических заболеваний.

Однако радиация, приносимая сканированием ПЭТ / КТ, часто заставляет людей отвлекаться. Количество радиации, полученное при обследовании всего тела ПЭТ / КТ, составляет около 7,5 мЗв. что это за концепция? В природе люди получают около 2,4 мЗв естественного излучения каждый год, поэтому нельзя игнорировать дозу ПЭТ / КТ. В ответ на проблемы с дозой радиации и радиации, вызванные КТ и введенными радиофармацевтическими препаратами на ПЭТ при сканировании ПЭТ / КТ, Всемирная организация здравоохранения, Международная радиологическая комиссия и Международная организация медицинской физики сформулировали стандарты обеспечения качества медицинского облучения и контроля дозы. и активно пропагандируемый. Радиационное облучение должно соответствовать принципу практической легитимности и оптимальной защиты ALARA (разумно достижимый низкий уровень). Ожидается, что наилучшие диагностические изображения могут быть получены с наименьшей дозой облучения и облучения, что дополнительно снизит стоимость обследований ПЭТ / КТ и сократит время сканирования.

Однако уменьшение количества введенного радиоактивного индикатора усилит пуассоновский шум, что повлияет на качество изображения, обнаружение повреждений и количественную точность ПЭТ. При визуализации с низкой дозой большая часть ключевой информации будет скрыта под повышенным уровнем шума. Путем изменения / оптимизации алгоритма восстановления при сканировании с малой дозой можно достичь наилучшего компромисса между уровнем шума и сходимостью сигнала. Для решения вышеупомянутых задач было предложено множество алгоритмов и технологий, которые в основном можно разделить на традиционные алгоритмы и алгоритмы глубокого обучения. Среди них традиционные алгоритмы в основном включают в себя алгоритмы обработки / фильтрации после реконструкции, алгоритмы анатомического наведения, статистическое моделирование в процессе итеративной реконструкции, а также удаление шума и коррекцию частичного объемного эффекта под руководством МРТ. Хотя эти методы пытаются минимизировать шум и количественные ошибки, все еще остаются проблемы с потерей пространственного разрешения и чрезмерным сглаживанием.

Алгоритмы глубокого обучения признали возможности в решении сложных обратных задач, таких как восстановление изображения по проекциям. Процесс восстановления изображений КТ, ПЭТ и ОФЭКТ с использованием технологии глубокого обучения имеет примерно одинаковые методы. В настоящее время существует четыре основных стратегии: Первый метод - это процесс обучения от изображения к изображению, то есть процесс обучения от изображения к изображению выполняется в пространстве изображений. Преобразование изображения, обучение сетевой модели для улучшения качества восстановленного изображения посредством шумоподавления и моделирования со сверхвысоким разрешением. Второй метод - это процесс обучения синограммы в синограмму, то есть обучение модели глубокого обучения в области проекции для улучшения качества изображения синограммы, чтобы избежать чувствительности и зависимости от алгоритма реконструкции. Третий метод - это процесс обучения синограммы в изображение, то есть изучение отношения нелинейного отображения между областью проекции и областью изображения через сетевую модель, полное удаление традиционного алгоритма реконструкции и создание изображения за один шаг. Четвертый метод можно назвать гибридным обучением предметной области. Путем объединения алгоритма реконструкции и глубокого обучения сетевая модель обучается в области проекции и области изображения одновременно, чтобы реализовать оптимальное решение проблемы восстановления изображения.

Современная промышленность обычно использует алгоритмы получения изображений ПЭТ с низкой дозой в области изображений, то есть после того, как оборудование ПЭТ / КТ выводит изображение, качество изображения улучшается за счет постобработки изображения. Из-за большого шума на изображениях ПЭТ с низкой дозой эти шумы скрывают множество мелких структур на изображениях ПЭТ. Этот технический путь обычно приводит к артефактам изображения, количественным ошибкам и потере тонких структур. Традиционная ПЭТ-визуализация потеряла много информации в процессе реконструкции. Чрезвычайно сложно восстановить потерянную информацию только обработкой изображения на более позднем этапе, и трудно улучшить окончательное качество изображения. Чтобы решить проблему качества изображения из источника, некоторые медицинские учреждения и лаборатории инновационно разработали алгоритмы глубокого обучения, основанные на необработанных данных ПЭТ и реконструированных изображениях (четвертый тип обучения в гибридной области). Алгоритм глубоко внедряет ИИ в процесс реконструкции ПЭТ-изображения и использует глубокое обучение для анализа информации в исходных данных. Комбинируя физическую модель реконструкции ПЭТ, обрабатывающий объект напрямую продвигается к исходным данным внутри устройства формирования изображения, а алгоритм реконструкции помогает улучшить качество восстановленного изображения, что значительно снижает потерю эффективной информации, так как для получения более четких и сильных изображений ПЭТ. Возможность обнаруживать небольшие поражения.