Immagini della tomografia a emissione di positroni (PET) che utilizzano reti neurali profonde

La tomografia a emissione di positroni (PET)/tomografia computerizzata (TC), con l'uso di diversi traccianti, tra cui il fluoro desossiglucosio (FDG) è il più diffuso, è diventata una delle principali modalità di imaging in oncologia. I componenti PET e CT riflettono rispettivamente le informazioni metaboliche e anatomiche. Le immagini PET si basano sul rilevamento di due fotoni di annichilazione a 511 KeV prodotti da isotopi che emettono positroni. Più lungo è il tempo di acquisizione, più fotoni vengono rilevati ed elaborati, con conseguente migliore qualità dell'immagine. Tuttavia, tempi di scansione lunghi (in genere 20-40 minuti per scansione) sono meno convenienti per i pazienti e possono causare movimenti e disallineamento del paziente. Nel corso degli anni sono stati sviluppati diversi metodi, come il 3D e le acquisizioni del tempo di volo, per compensare il degrado della qualità dell'immagine dovuto alla riduzione del tempo di scansione. Recentemente, diversi studi hanno utilizzato l'apprendimento automatico per produrre immagini diagnostiche da immagini di bassa qualità. Xiang et al hanno confrontato le immagini PET del cervello acquisite in 3 minuti (ovvero PET di bassa qualità (LPET)) con immagini PET standard (ovvero SPET) acquisite in 12 minuti. Hanno combinato immagini pesate LPET e T1 utilizzando reti neurali profonde (DNN) per produrre immagini PET diagnostiche equivalenti alle immagini SPET.

L'obiettivo del nostro studio è produrre immagini PET diagnostiche con un tempo di acquisizione di 10 secondi per posizione del letto utilizzando algoritmi DNN sviluppati presso il laboratorio CILAB nel dipartimento di imaging di Sheba.

Gli algoritmi sono stati precedentemente convalidati con successo per il denoising delle scansioni TC del torace a bassissima dose, rendendole adatte allo screening del cancro del polmone. Gli algoritmi si basano sull'algoritmo delle medie non locali localmente coerenti (LC-NLM).

L'algoritmo LC-NLM utilizza i vicini approssimati più vicini (ANN) veloci per trovare la patch ad alto SNR più simile, in un database appositamente costruito, per ogni patch rumorosa nell'immagine di input (Green et al.) ] Proponiamo di utilizzare la recente ha introdotto reti neurali non locali (Wang et al.) per impilare LC-NLM in un blocco non locale completamente addestrabile e localmente coerente (LC-NLB). Le reti non locali originali combinano le idee dell'algoritmo classico delle medie non locali (NLM) (Buades et al.) in un blocco di rete neurale, che calcola l'output in una posizione specifica come somma ponderata delle caratteristiche in tutte le posizioni .