Positron Emission Tomography (PET) billeder ved hjælp af dybe neurale netværk

Positron-emissionstomografi (PET)/computeriseret tomografi (CT), med brug af adskillige sporstoffer, blandt hvilke fluordeoxyglucose (FDG) er den mest udbredte, er blevet en væsentlig billeddiagnostisk modalitet inden for onkologi. PET- og CT-komponenterne afspejler henholdsvis metabolisk og anatomisk information. PET-billeder er baseret på påvisning af to annihilation 511 KeV-fotoner, der er produceret af positron-emitterende isotoper. Jo længere optagelsestid, jo flere fotoner detekteres og behandles, hvilket resulterer i bedre billedkvalitet. Lange scanningstider (typisk 20-40 minutter pr. scanning) er imidlertid mindre bekvemme for patienterne og kan resultere i patientbevægelser og fejljustering. Gennem årene er der udviklet flere metoder, såsom 3D og time of flight acquisitions, for at kompensere for forringelsen af ​​billedkvaliteten som følge af afkortning af scanningstiden. For nylig har adskillige undersøgelser brugt maskinlæring til at producere diagnostiske billeder fra billeder af lav kvalitet. Xiang et al sammenlignede PET-billeder af hjernen, der blev erhvervet på 3 minutter (dvs. lavkvalitets PET (LPET)) med standard PET-billeder (dvs. SPET), der blev erhvervet på 12 minutter. De har kombineret LPET- og T1-vægtede billeder ved hjælp af dybe neurale netværk (DNN) for at producere diagnostiske PET-billeder svarende til SPET-billeder.

Målet med vores undersøgelse er at producere diagnostiske PET-billeder med 10 sekunders opsamlingstid pr. sengeposition ved hjælp af DNN-algoritmer udviklet på CILAB-laboratoriet i billedbehandlingsafdelingen i Sheba.

Algoritmerne er tidligere blevet valideret med succes til forringelse af CT-scanninger af ultralav dosis, hvilket gør dem velegnede til lungekræftscreening. Algoritmerne er baseret på den lokalt konsistente ikke-lokale middel (LC-NLM) algoritme.

LC-NLM-algoritmen bruger hurtige tilnærmede nærmeste naboer (ANN) til at finde den mest lignende høj-SNR-patch i en bevidst bygget database for hver støjende patch i inputbilledet (Green et al.) ] Vi foreslår at bruge den nyligt introducerede ikke-lokale neurale netværk (Wang et al.) for at stable LC-NLM i en fuldt oplærelig, lokalt konsistent ikke-lokal blok (LC-NLB). De originale ikke-lokale netværk kombinerer ideerne fra den klassiske non-local middel (NLM) algoritme (Buades et al.) til en neural netværksblok, som beregner outputtet ved en specifik position som en vægtet sum af funktionerne ved alle positioner .