Positron Emission Tomography (PET)-bilder ved bruk av dype nevrale nettverk

Positronemisjonstomografi (PET)/datastyrt tomografi (CT), med bruk av flere sporstoffer, blant annet fluordeoksyglukose (FDG) er den mest utbredte, har blitt en hovedavbildningsmodalitet innen onkologi. PET- og CT-komponentene reflekterer henholdsvis metabolsk og anatomisk informasjon. PET-bilder er basert på å oppdage to annihilation 511 KeV fotoner som produseres av positron-emitterende isotoper. Jo lengre innsamlingstid, jo flere fotoner oppdages og behandles, noe som resulterer i bedre bildekvalitet. Lange skannetider (vanligvis 20-40 minutter per skanning) er imidlertid mindre hensiktsmessige for pasienter, og kan føre til pasientbevegelser og feiljustering. Gjennom årene har flere metoder, som 3D og time of flight acquisitions, blitt utviklet for å kompensere for forringelsen av bildekvaliteten som følge av forkortning av skannetiden. Nylig har flere studier brukt maskinlæring for å produsere diagnostiske bilder fra bilder av lav kvalitet. Xiang et al sammenlignet PET-bilder av hjernen som ble tatt på 3 minutter (dvs. lavkvalitets PET (LPET)) med standard PET-bilder (dvs. SPET) som ble tatt på 12 minutter. De har kombinert LPET- og T1-vektede bilder ved hjelp av dype nevrale nettverk (DNN) for å produsere diagnostiske PET-bilder tilsvarende SPET-bilder.

Målet med vår studie er å produsere diagnostiske PET-bilder med 10 sekunders innsamlingstid per sengeposisjon ved bruk av DNN-algoritmer utviklet ved CILAB-laboratoriet i bildeavdelingen i Sheba.

Algoritmene ble tidligere validert med suksess for å misbruke ultralavdose CT-skanninger av brystet, noe som gjør dem egnet for lungekreftscreening. Algoritmene er basert på den lokalt konsistente ikke-lokale midler (LC-NLM) algoritmen.

LC-NLM-algoritmen bruker raske, tilnærmede nærmeste naboer (ANN) for å finne den mest liknende høy-SNR-patchen, i en målrettet bygd database, for hver støyende patch i inngangsbildet (Green et al.) ] Vi foreslår å bruke nylig introduserte ikke-lokale nevrale nettverk (Wang et al.) for å stable LC-NLM i en fullt trenerbar, lokalt konsistent ikke-lokal blokk (LC-NLB). De originale ikke-lokale nettverkene kombinerer ideene til den klassiske ikke-lokale midler (NLM) algoritmen (Buades et al.) til en nevral nettverksblokk, som beregner utdata ved en spesifikk posisjon som en vektet sum av funksjonene ved alle posisjoner .