ディープ ニューラル ネットワークを使用した陽電子放出断層撮影 (PET) 画像

いくつかのトレーサーを使用する陽電子放射断層撮影法 (PET)/コンピューター断層撮影法 (CT) は、腫瘍学における主要な画像診断法になっています。 PET と CT コンポーネントは、それぞれ代謝情報と解剖学的情報を反映しています。 PET 画像は、陽電子放出同位体によって生成される 2 つの消滅 511 KeV 光子の検出に基づいています。 取得時間が長いほど、より多くのフォトンが検出されて処理されるため、画質が向上します。 ただし、長いスキャン時間 (通常、1 回のスキャンで 20 ～ 40 分) は患者にとって不便であり、患者の動きやずれが生じる可能性があります。 長年にわたり、3D や飛行時間取得などのいくつかの方法が開発され、スキャン時間の短縮による画質の低下を補正してきました。 最近、機械学習を使用して低品質の画像から診断画像を生成する研究がいくつか行われています。 Xiang らは、3 分で取得された脳の PET 画像 (つまり、低品質 PET (LPET)) と、12 分で取得された標準的な PET 画像 (つまり、SPET) を比較しました。 彼らは、ディープ ニューラル ネットワーク (DNN) を使用して LPET と T1 強調画像を組み合わせ、SPET 画像と同等の診断用 PET 画像を作成しました。

私たちの研究の目標は、Sheba の画像部門の CILAB 研究所で開発された DNN アルゴリズムを使用して、ベッド位置ごとに 10 秒の取得時間で診断用 PET 画像を作成することです。

このアルゴリズムは、超低線量の胸部 CT スキャンのノイズ除去について以前に正常に検証されており、肺がんのスクリーニングに適しています。 アルゴリズムは、ローカルで一貫性のある非ローカル手段 (LC-NLM) アルゴリズムに基づいています。

LC-NLM アルゴリズムは、高速近似最近傍 (ANN) を使用して、意図的に構築されたデータベースで、入力画像のノイズの多いパッチごとに最も類似した高 SNR パッチを見つけます (Green et al.)]は、LC-NLM を完全にトレーニング可能なローカルで一貫性のある非ローカル ブロック (LC-NLB) にスタックするために、非ローカル ニューラル ネットワーク (Wang et al.) を導入しました。 元の非局所ネットワークは、古典的な非局所平均 (NLM) アルゴリズム (Buades et al.) のアイデアをニューラル ネットワーク ブロックに結合し、特定の位置での出力をすべての位置での特徴の加重和として計算します。 .