Positronen-Emissions-Tomographie (PET)-Bilder unter Verwendung tiefer neuronaler Netze

Die Positronen-Emissions-Tomographie (PET)/Computertomographie (CT) unter Verwendung mehrerer Tracer, unter denen Fluor-Desoxyglukose (FDG) am weitesten verbreitet ist, hat sich zu einem der wichtigsten bildgebenden Verfahren in der Onkologie entwickelt. Die PET- und CT-Komponenten spiegeln metabolische bzw. anatomische Informationen wider. PET-Bilder basieren auf dem Nachweis von zwei Vernichtungsphotonen mit 511 KeV, die von Positronen emittierenden Isotopen erzeugt werden. Je länger die Erfassungszeit, desto mehr Photonen werden erkannt und verarbeitet, was zu einer besseren Bildqualität führt. Lange Scanzeiten (normalerweise 20-40 Minuten pro Scan) sind jedoch weniger angenehm für Patienten und können zu Bewegungen und Fehlausrichtungen des Patienten führen. Im Laufe der Jahre wurden verschiedene Verfahren wie 3D- und Flugzeiterfassungen entwickelt, um die Verschlechterung der Bildqualität als Ergebnis der Verkürzung der Scanzeit zu kompensieren. In letzter Zeit haben mehrere Studien maschinelles Lernen verwendet, um diagnostische Bilder aus Bildern mit geringer Qualität zu erstellen. Xiang et al. verglichen PET-Bilder des Gehirns, die in 3 Minuten aufgenommen wurden (d. h. PET niedriger Qualität (LPET)), mit Standard-PET-Bildern (d. h. SPET), die in 12 Minuten aufgenommen wurden. Sie haben LPET- und T1-gewichtete Bilder unter Verwendung von Deep Neural Networks (DNN) kombiniert, um diagnostische PET-Bilder zu erzeugen, die SPET-Bildern entsprechen.

Das Ziel unserer Studie ist es, diagnostische PET-Bilder mit 10 Sekunden Aufnahmezeit pro Bettposition unter Verwendung von DNN-Algorithmen zu erstellen, die im CILAB-Labor in der Bildgebungsabteilung von Sheba entwickelt wurden.

Die Algorithmen wurden zuvor erfolgreich für die Entrauschung von Thorax-CT-Scans mit ultraniedriger Dosis validiert, wodurch sie für das Lungenkrebs-Screening geeignet sind. Die Algorithmen basieren auf dem Local-Consistent Non-Local Means (LC-NLM)-Algorithmus.

Der LC-NLM-Algorithmus verwendet Fast Approximate Nearest Neighbors (ANN), um den ähnlichsten Patch mit hohem SNR in einer speziell erstellten Datenbank für jeden verrauschten Patch im Eingabebild zu finden (Green et al.) ] Wir schlagen vor, den kürzlich verwendeten zu verwenden führten nichtlokale neuronale Netze ein (Wang et al.), um den LC-NLM in einen vollständig trainierbaren, lokal konsistenten nichtlokalen Block (LC-NLB) zu stapeln. Die ursprünglichen nichtlokalen Netzwerke kombinieren die Ideen des klassischen nichtlokalen Mittelwertalgorithmus (NLM) (Buades et al.) in einem neuronalen Netzwerkblock, der die Ausgabe an einer bestimmten Position als gewichtete Summe der Merkmale an allen Positionen berechnet .