Изображения позитронно-эмиссионной томографии (ПЭТ) с использованием глубоких нейронных сетей

Позитронно-эмиссионная томография (ПЭТ)/компьютерная томография (КТ) с использованием нескольких индикаторов, среди которых наиболее распространенным является фтордезоксиглюкоза (ФДГ), стала основным методом визуализации в онкологии. Компоненты ПЭТ и КТ отражают метаболическую и анатомическую информацию соответственно. Изображения ПЭТ основаны на обнаружении двух аннигиляционных фотонов с энергией 511 кэВ, которые производятся изотопами, испускающими позитроны. Чем дольше время сбора данных, тем больше фотонов обнаруживается и обрабатывается, что приводит к лучшему качеству изображения. Однако длительное сканирование (обычно 20-40 минут на сканирование) менее удобно для пациентов и может привести к его движению и смещению. За прошедшие годы было разработано несколько методов, таких как 3D и времяпролетная съемка, для компенсации ухудшения качества изображения в результате сокращения времени сканирования. В последнее время в нескольких исследованиях использовалось машинное обучение для создания диагностических изображений из изображений низкого качества. Xiang и соавт. сравнили ПЭТ-изображения головного мозга, полученные за 3 минуты (т. е. ПЭТ низкого качества (LPET)) со стандартными ПЭТ-изображениями (т. е. SPET), которые были получены за 12 минут. Они объединили взвешенные изображения LPET и T1 с использованием глубоких нейронных сетей (DNN) для создания диагностических изображений PET, эквивалентных изображениям SPET.

Целью нашего исследования является получение диагностических ПЭТ-изображений со временем получения 10 секунд для каждого положения кровати с использованием алгоритмов DNN, разработанных в лаборатории CILAB в отделении визуализации Шибы.

Алгоритмы ранее были успешно проверены для шумоподавления сверхнизких доз КТ органов грудной клетки, что делает их подходящими для скрининга рака легких. Алгоритмы основаны на алгоритме локально-согласованных нелокальных средних (LC-NLM).

Алгоритм LC-NLM использует быстрые приближенные ближайшие соседи (ANN) для поиска наиболее похожего участка с высоким SNR в специально созданной базе данных для каждого зашумленного участка во входном изображении (Грин и др.).] Мы предлагаем использовать недавно представили нелокальные нейронные сети (Wang et al.), чтобы объединить LC-NLM в полностью обучаемый, локально согласованный нелокальный блок (LC-NLB). Оригинальные нелокальные сети объединяют идеи классического алгоритма нелокальных средних (NLM) (Buades et al.) в блок нейронной сети, который вычисляет выходные данные в определенной позиции как взвешенную сумму признаков во всех позициях. .