Images de tomographie par émission de positrons (TEP) à l'aide de réseaux de neurones profonds

La tomographie par émission de positrons (TEP)/tomodensitométrie (CT), avec l'utilisation de plusieurs traceurs, parmi lesquels le fluoro désoxyglucose (FDG) est le plus répandu, est devenue une modalité d'imagerie principale en oncologie. Les composants PET et CT reflètent respectivement les informations métaboliques et anatomiques. Les images TEP sont basées sur la détection de deux photons d'annihilation de 511 KeV produits par des isotopes émetteurs de positrons. Plus le temps d'acquisition est long, plus les photons sont détectés et traités, ce qui se traduit par une meilleure qualité d'image. Cependant, les longues durées de balayage (généralement 20 à 40 minutes par balayage) sont moins pratiques pour les patients et peuvent entraîner des mouvements et un désalignement du patient. Au fil des ans, plusieurs méthodes, telles que la 3D et les acquisitions en temps de vol, ont été développées pour compenser la dégradation de la qualité de l'image résultant du raccourcissement du temps de numérisation. Récemment, plusieurs études ont utilisé l'apprentissage automatique pour produire des images de diagnostic à partir d'images de faible qualité. Xiang et al ont comparé des images TEP du cerveau acquises en 3 minutes (c'est-à-dire TEP de faible qualité (LPET)) avec des images TEP standard (c'est-à-dire SPET) acquises en 12 minutes. Ils ont combiné des images pondérées LPET et T1 à l'aide de réseaux de neurones profonds (DNN) pour produire des images TEP diagnostiques équivalentes aux images SPET.

Le but de notre étude est de produire des images TEP diagnostiques avec un temps d'acquisition de 10 secondes par position de lit en utilisant des algorithmes DNN développés au laboratoire CILAB dans le service d'imagerie de Sheba.

Les algorithmes ont déjà été validés avec succès pour le débruitage des tomodensitogrammes thoraciques à ultra-faible dose, ce qui les rend adaptés au dépistage du cancer du poumon. Les algorithmes sont basés sur l'algorithme de moyens non locaux cohérents localement (LC-NLM).

L'algorithme LC-NLM utilise les voisins les plus proches approchés rapides (ANN) pour trouver le patch à SNR élevé le plus similaire, dans une base de données construite à cet effet, pour chaque patch bruyant dans l'image d'entrée (Green et al.) ] Nous proposons d'utiliser le récent introduit des réseaux de neurones non locaux (Wang et al.) Afin d'empiler le LC-NLM dans un bloc non local entièrement entraînable et localement cohérent (LC-NLB). Les réseaux non locaux originaux combinent les idées de l'algorithme classique des moyens non locaux (NLM) (Buades et al.) Dans un bloc de réseau neuronal, qui calcule la sortie à une position spécifique comme une somme pondérée des caractéristiques à toutes les positions. .