Positron Emission Tomography (PET) bilder med djupa neurala nätverk

Positronemissionstomografi (PET)/datortomografi (CT), med användning av flera spårämnen, bland vilka fluordeoxiglukos (FDG) är den vanligaste, har blivit en huvudsaklig bildbehandlingsmodalitet inom onkologi. PET- och CT-komponenterna återspeglar metabolisk respektive anatomisk information. PET-bilder är baserade på att detektera två annihilation 511 KeV fotoner som produceras av positron emitterande isotoper. Ju längre insamlingstid, desto fler fotoner detekteras och bearbetas, vilket resulterar i bättre bildkvalitet. Långa skanningstider (vanligtvis 20-40 minuter per skanning) är dock mindre bekväma för patienterna och kan resultera i patientrörelser och felinställning. Under årens lopp har flera metoder, såsom 3D och time of flight acquisitions, utvecklats för att kompensera för försämringen i bildkvalitet till följd av förkortning av skanningstiden. Nyligen har flera studier använt maskininlärning för att producera diagnostiska bilder från bilder med låg kvalitet. Xiang et al jämförde PET-bilder av hjärnan som förvärvades på 3 minuter (dvs lågkvalitativ PET (LPET)) med vanliga PET-bilder (dvs SPET) som förvärvades på 12 minuter. De har kombinerat LPET- och T1-viktade bilder med hjälp av djupa neurala nätverk (DNN) för att producera diagnostiska PET-bilder som motsvarar SPET-bilder.

Målet med vår studie är att producera diagnostiska PET-bilder med 10 sekunders insamlingstid per sängposition med hjälp av DNN-algoritmer utvecklade vid CILAB-laboratoriet på bildavdelningen i Sheba.

Algoritmerna har tidigare framgångsrikt validerats för att avslöja ultralåg dos CT-skanningar av bröstet, vilket gör dem lämpliga för lungcancerscreening. Algoritmerna är baserade på den lokalt konsistenta icke-lokala medel (LC-NLM) algoritmen.

LC-NLM-algoritmen använder snabba approximativa närmaste grannar (ANN) för att hitta den mest liknande hög-SNR-korrigeringen, i en avsiktligt byggd databas, för varje brusig patch i ingångsbilden (Green et al.) ] Vi föreslår att man använder den nyligen introducerade icke-lokala neurala nätverk (Wang et al.) för att stapla LC-NLM i ett fullt utbildbart, lokalt konsistent icke-lokalt block (LC-NLB). De ursprungliga icke-lokala nätverken kombinerar idéerna från den klassiska icke-lokala medel (NLM)-algoritmen (Buades et al.) till ett neuralt nätverksblock, som beräknar utdata vid en specifik position som en viktad summa av funktionerna vid alla positioner .