Obrazy pozytonowej tomografii emisyjnej (PET) przy użyciu głębokich sieci neuronowych

Pozytonowa tomografia emisyjna (PET)/tomografia komputerowa (CT) z wykorzystaniem kilku znaczników, wśród których najbardziej rozpowszechniona jest fluorodezoksyglukoza (FDG), stała się podstawową metodą obrazowania w onkologii. Komponenty PET i CT odzwierciedlają odpowiednio informacje metaboliczne i anatomiczne. Obrazy PET są oparte na wykrywaniu dwóch fotonów anihilacyjnych 511 KeV, które są wytwarzane przez izotopy emitujące pozytony. Im dłuższy czas akwizycji, tym więcej fotonów jest wykrywanych i przetwarzanych, co skutkuje lepszą jakością obrazu. Jednak długie czasy skanowania (zwykle 20-40 minut na skanowanie) są mniej wygodne dla pacjentów i mogą powodować ruch pacjenta i niewspółosiowość. Na przestrzeni lat opracowano kilka metod, takich jak akwizycja 3D i czas lotu, aby skompensować degradację jakości obrazu w wyniku skrócenia czasu skanowania. Ostatnio w kilku badaniach wykorzystano uczenie maszynowe do tworzenia obrazów diagnostycznych z obrazów o niskiej jakości. Xiang i wsp. porównali obrazy PET mózgu uzyskane w ciągu 3 minut (tj. PET niskiej jakości (LPET)) ze standardowymi obrazami PET (tj. SPET), które uzyskano w 12 minut. Połączyli obrazy ważone LPET i T1 przy użyciu głębokich sieci neuronowych (DNN), aby uzyskać diagnostyczne obrazy PET równoważne obrazom SPET.

Celem naszego badania jest uzyskanie diagnostycznych obrazów PET z czasem akwizycji 10 sekund na pozycję łóżka przy użyciu algorytmów DNN opracowanych w laboratorium CILAB w dziale obrazowania Sheba.

Algorytmy zostały wcześniej pomyślnie zweryfikowane pod kątem odszumiania skanów TK klatki piersiowej przy bardzo niskich dawkach, dzięki czemu nadają się do badań przesiewowych w kierunku raka płuc. Algorytmy bazują na algorytmie lokalnie spójnych środków nielokalnych (LC-NLM).

Algorytm LC-NLM wykorzystuje szybkie przybliżone najbliższe sąsiedztwo (ANN) w celu znalezienia najbardziej podobnej łaty o wysokim SNR w celowo zbudowanej bazie danych dla każdej zaszumionej łaty w obrazie wejściowym (Green i in.) ] Proponujemy użycie ostatnio wprowadzili nielokalne sieci neuronowe (Wang i in.) W celu ułożenia LC-NLM w w pełni nadający się do szkolenia, lokalnie spójny blok nielokalny (LC-NLB). Oryginalne sieci nielokalne łączą idee klasycznego algorytmu środków nielokalnych (NLM) (Buades i in.) w blok sieci neuronowej, który oblicza dane wyjściowe w określonej pozycji jako ważoną sumę cech we wszystkich pozycjach .