Positroniemissiotomografia (PET) -kuvat syvähermoverkkojen avulla

Positroniemissiotomografia (PET)/tietokonetomografia (CT), jossa käytetään useita merkkiaineita, joista fluorideoksiglukoosi (FDG) on yleisin, on muodostunut tärkeimmäksi onkologian kuvantamismenetelmäksi. PET- ja CT-komponentit heijastavat vastaavasti metabolista ja anatomista tietoa. PET-kuvat perustuvat kahden positroneja emittoivien isotooppien tuottaman tuhoutumisfotonin havaitsemiseen. Mitä pidempi kuvausaika, sitä enemmän fotoneja havaitaan ja käsitellään, mikä parantaa kuvanlaatua. Pitkät skannausajat (tyypillisesti 20–40 minuuttia skannausta kohden) eivät kuitenkaan ole yhtä mukavia potilaille, ja ne voivat johtaa potilaan liikkeisiin ja kohdistusvirheisiin. Vuosien varrella on kehitetty useita menetelmiä, kuten 3D ja lentoaikahaku, kompensoimaan skannausajan lyhenemisestä johtuvaa kuvanlaadun heikkenemistä. Viime aikoina useat tutkimukset ovat käyttäneet koneoppimista tuottamaan diagnostisia kuvia huonolaatuisista kuvista. Xiang et ai. vertasivat aivojen PET-kuvia, jotka saatiin 3 minuutissa (eli huonolaatuisia PET-kuvia (LPET)) tavanomaisiin PET-kuviin (eli SPET), jotka saatiin 12 minuutissa. He ovat yhdistäneet LPET- ja T1-painotetut kuvat syvän hermoverkkojen (DNN) avulla tuottaakseen SPET-kuvia vastaavia diagnostisia PET-kuvia.

Tutkimuksemme tavoitteena on tuottaa diagnostisia PET-kuvia 10 sekunnin kuvausajalla per sänkypaikka käyttämällä DNN-algoritmeja, jotka on kehitetty CILAB-laboratoriossa Sheban kuvantamisosastolla.

Algoritmit on aiemmin validoitu onnistuneesti erittäin pieniannoksisten rintakehän TT-kuvausten vaimentamiseen, joten ne soveltuvat keuhkosyövän seulomiseen. Algoritmit perustuvat paikallisesti johdonmukaiseen ei-paikallisten välineiden (LC-NLM) -algoritmiin.

LC-NLM-algoritmi käyttää nopeita likimääräisiä lähinaapureita (ANN) löytääkseen samankaltaisimman korkean SNR:n korjaustiedoston tarkoituksella rakennetusta tietokannasta jokaiselle syötekuvan kohinaiselle patchille (Green et al.) ] Ehdotamme käyttää äskettäin otti käyttöön ei-paikallisia hermoverkkoja (Wang et al.) pinotaakseen LC-NLM:n täysin koulutettavaksi, paikallisesti yhdenmukaiseksi ei-paikalliseksi lohkoksi (LC-NLB). Alkuperäiset ei-paikalliset verkot yhdistävät klassisen non-local mean (NLM) -algoritmin (Buades et al.) ideat hermoverkkolohkoksi, joka laskee lähdön tietyssä paikassa kaikissa paikoissa olevien ominaisuuksien painotettuna summana. .