Imagens de tomografia por emissão de pósitrons (PET) usando redes neurais profundas

A tomografia por emissão de pósitrons (PET)/tomografia computadorizada (TC), com o uso de vários traçadores, entre os quais a fluorodesoxiglicose (FDG) é o mais prevalente, tornou-se a principal modalidade de imagem em oncologia. Os componentes PET e CT refletem informações metabólicas e anatômicas, respectivamente. As imagens PET são baseadas na detecção de dois fótons de aniquilação 511 KeV que são produzidos por isótopos emissores de pósitrons. Quanto maior o tempo de aquisição, mais fótons são detectados e processados, resultando em melhor qualidade de imagem. No entanto, tempos de varredura longos (normalmente de 20 a 40 minutos por varredura) são menos convenientes para os pacientes e podem resultar em movimento e desalinhamento do paciente. Ao longo dos anos, vários métodos, como 3D e aquisição de tempo de voo, foram desenvolvidos para compensar a degradação da qualidade da imagem como resultado da redução do tempo de varredura. Recentemente, vários estudos usaram o aprendizado de máquina para produzir imagens de diagnóstico a partir de imagens de baixa qualidade. Xiang et al compararam imagens PET do cérebro que foram adquiridas em 3 minutos (ou seja, PET de baixa qualidade (LPET)) com imagens PET padrão (ou seja, SPET) que foram adquiridas em 12 minutos. Eles combinaram imagens ponderadas LPET e T1 usando redes neurais profundas (DNN) para produzir imagens PET de diagnóstico equivalentes a imagens SPET.

O objetivo do nosso estudo é produzir imagens PET diagnósticas com tempo de aquisição de 10 segundos por posição da cama usando algoritmos DNN desenvolvidos no laboratório CILAB no departamento de imagem de Sheba.

Os algoritmos foram previamente validados com sucesso para a remoção de ruído de tomografias computadorizadas de tórax de dose ultrabaixa, tornando-os adequados para a triagem de câncer de pulmão. Os algoritmos são baseados no algoritmo de médias não locais consistentes localmente (LC-NLM).

O algoritmo LC-NLM usa vizinhos mais próximos aproximados (ANN) para encontrar o patch de alto SNR mais semelhante, em um banco de dados construído propositadamente, para cada patch ruidoso na imagem de entrada (Green et al.) ] Propomos usar o recentemente introduziu redes neurais não locais (Wang et al.) para empilhar o LC-NLM em um bloco não local totalmente treinável e consistente localmente (LC-NLB). As redes não locais originais combinam as ideias do algoritmo clássico de meios não locais (NLM) (Buades et al.) em um bloco de rede neural, que calcula a saída em uma posição específica como uma soma ponderada dos recursos em todas as posições .