Imágenes de tomografía por emisión de positrones (PET) utilizando redes neuronales profundas

La tomografía por emisión de positrones (PET)/tomografía computarizada (TC), con el uso de varios marcadores, entre los cuales la fluorodesoxiglucosa (FDG) es la más prevalente, se ha convertido en una modalidad de imagen principal en oncología. Los componentes PET y CT reflejan información metabólica y anatómica, respectivamente. Las imágenes PET se basan en la detección de dos fotones de aniquilación de 511 KeV que son producidos por isótopos emisores de positrones. Cuanto mayor sea el tiempo de adquisición, más fotones se detectarán y procesarán, lo que dará como resultado una mejor calidad de imagen. Sin embargo, los tiempos de escaneo largos (normalmente de 20 a 40 minutos por escaneo) son menos convenientes para los pacientes y pueden provocar que el paciente se mueva y se desalinee. A lo largo de los años, se han desarrollado varios métodos, como 3D y adquisiciones de tiempo de vuelo, para compensar la degradación de la calidad de la imagen como resultado de la reducción del tiempo de escaneo. Recientemente, varios estudios han utilizado el aprendizaje automático para producir imágenes de diagnóstico a partir de imágenes de baja calidad. Xiang et al compararon imágenes PET del cerebro que se adquirieron en 3 minutos (es decir, PET de baja calidad [LPET]) con imágenes PET estándar (es decir, SPET) que se adquirieron en 12 minutos. Han combinado imágenes ponderadas LPET y T1 utilizando redes neuronales profundas (DNN) para producir imágenes PET de diagnóstico equivalentes a las imágenes SPET.

El objetivo de nuestro estudio es producir imágenes PET de diagnóstico con un tiempo de adquisición de 10 segundos por posición de la cama utilizando algoritmos DNN desarrollados en el laboratorio CILAB en el departamento de imágenes de Sheba.

Los algoritmos se validaron previamente con éxito para eliminar el ruido de las tomografías computarizadas de tórax de dosis ultrabaja, lo que las hace adecuadas para la detección del cáncer de pulmón. Los algoritmos se basan en el algoritmo de medios no locales consistentes localmente (LC-NLM).

El algoritmo LC-NLM utiliza vecinos más cercanos aproximados rápidos (ANN) para encontrar el parche de alta SNR más similar, en una base de datos especialmente diseñada, para cada parche ruidoso en la imagen de entrada (Green et al.)] Proponemos usar el recientemente introdujo redes neuronales no locales (Wang et al.) para apilar el LC-NLM en un bloque no local (LC-NLB) completamente entrenable y localmente consistente. Las redes no locales originales combinan las ideas del algoritmo clásico de medios no locales (NLM) (Buades et al.) en un bloque de red neuronal, que calcula la salida en una posición específica como una suma ponderada de las características en todas las posiciones .