Snímky z pozitronové emisní tomografie (PET) využívající hluboké neuronové sítě

Základní zobrazovací modalitou v onkologii se stala pozitronová emisní tomografie (PET)/počítačová tomografie (CT) s použitím několika indikátorů, z nichž nejrozšířenější je fluorodeoxyglukóza (FDG). Složky PET a CT odrážejí metabolické a anatomické informace. PET snímky jsou založeny na detekci dvou anihilačních 511 KeV fotonů, které jsou produkovány izotopy emitujícími pozitrony. Čím delší je doba akvizice, tím více fotonů je detekováno a zpracováno, což má za následek lepší kvalitu obrazu. Dlouhé doby skenování (typicky 20–40 minut na sken) jsou však pro pacienty méně vhodné a mohou vést k pohybu pacienta a nesprávnému vyrovnání. V průběhu let bylo vyvinuto několik metod, jako je 3D a získávání času letu, aby se kompenzovalo zhoršení kvality obrazu v důsledku zkrácení doby skenování. V poslední době několik studií použilo strojové učení k vytvoření diagnostických obrázků z obrázků nízké kvality. Xiang et al porovnali PET snímky mozku, které byly pořízeny za 3 minuty (tj. nekvalitní PET (LPET)) se standardními PET snímky (tj. SPET), které byly pořízeny za 12 minut. Zkombinovali LPET a T1 vážené snímky pomocí hlubokých neuronových sítí (DNN), aby vytvořili diagnostické PET snímky ekvivalentní snímkům SPET.

Cílem naší studie je vytvořit diagnostické PET snímky s dobou akvizice 10 sekund na polohu na lůžku pomocí DNN algoritmů vyvinutých v laboratoři CILAB na zobrazovacím oddělení Sheba.

Algoritmy byly dříve úspěšně ověřeny pro odšumování ultranízkých dávek CT vyšetření hrudníku, díky čemuž jsou vhodné pro screening rakoviny plic. Algoritmy jsou založeny na algoritmu lokálně konzistentních nelokálních průměrů (LC-NLM).

Algoritmus LC-NLM používá rychlé přibližné nejbližší sousedy (ANN) k nalezení nejpodobnější záplaty s vysokým SNR v účelně vytvořené databázi pro každou zašuměnou záplatu ve vstupním obrázku (Green et al.) ] Navrhujeme použít nedávno zavedl nelokální neuronové sítě (Wang et al.), aby naskládal LC-NLM do plně trénovatelného, ​​lokálně konzistentního nelokálního bloku (LC-NLB). Původní nelokální sítě spojují myšlenky algoritmu klasických nelokálních prostředků (NLM) (Buades et al.) do bloku neuronové sítě, který počítá výstup na konkrétní pozici jako vážený součet vlastností na všech pozicích. .