Positronemissietomografie (PET)-afbeeldingen met behulp van diepe neurale netwerken

Positronemissietomografie (PET)/computertomografie (CT), met het gebruik van verschillende tracers, waarvan fluordeoxyglucose (FDG) de meest voorkomende is, is een van de belangrijkste beeldvormingsmodaliteiten in de oncologie geworden. De PET- en CT-componenten weerspiegelen respectievelijk metabole en anatomische informatie. PET-beelden zijn gebaseerd op het detecteren van twee annihilatie 511 KeV-fotonen die worden geproduceerd door positron-emitterende isotopen. Hoe langer de acquisitietijd, hoe meer fotonen worden gedetecteerd en verwerkt, wat resulteert in een betere beeldkwaliteit. Lange scantijden (meestal 20-40 minuten per scan) zijn echter minder handig voor patiënten en kunnen leiden tot beweging en verkeerde uitlijning van de patiënt. In de loop der jaren zijn verschillende methoden ontwikkeld, zoals 3D- en time-of-flight-acquisities, om de verslechtering van de beeldkwaliteit als gevolg van de verkorting van de scantijd te compenseren. Onlangs hebben verschillende onderzoeken machine learning gebruikt om diagnostische beelden te produceren van beelden van lage kwaliteit. Xiang et al vergeleken PET-beelden van de hersenen die in 3 minuten werden verkregen (d.w.z. PET van lage kwaliteit (LPET)) met standaard PET-beelden (d.w.z. SPET) die in 12 minuten werden verkregen. Ze hebben LPET- en T1-gewogen beelden gecombineerd met behulp van diepe neurale netwerken (DNN) om diagnostische PET-beelden te produceren die gelijkwaardig zijn aan SPET-beelden.

Het doel van onze studie is om diagnostische PET-beelden te produceren met een acquisitietijd van 10 seconden per bedpositie met behulp van DNN-algoritmen die zijn ontwikkeld in het CILAB-laboratorium op de beeldvormingsafdeling van Sheba.

De algoritmen werden eerder met succes gevalideerd voor het verwijderen van ruis in ultra-lage dosis CT-thoraxscans, waardoor ze geschikt zijn voor screening op longkanker. De algoritmen zijn gebaseerd op het algoritme Local-Consistent Non-Local Means (LC-NLM).

Het LC-NLM-algoritme gebruikt snelle benaderende dichtstbijzijnde buren (ANN) om de meest vergelijkbare patch met hoge SNR te vinden, in een speciaal gebouwde database, voor elke patch met ruis in het invoerbeeld (Green et al.) ] We stellen voor om de recent introduceerde niet-lokale neurale netwerken (Wang et al.) om de LC-NLM te stapelen tot een volledig trainbaar, lokaal consistent niet-lokaal blok (LC-NLB). De oorspronkelijke niet-lokale netwerken combineren de ideeën van het klassieke niet-lokale middelen (NLM)-algoritme (Buades et al.) tot een neuraal netwerkblok, dat de uitvoer op een specifieke positie berekent als een gewogen som van de kenmerken op alle posities .