Какво трябва да знаем за PET/CT?
PET/CT е устройство за нуклеарна медицина, което перфектно интегрира PET и CT системи. PET предоставя подробна молекулярна информация за функцията и метаболизма на лезията, докато CT осигурява прецизно анатомично позициониране на лезията, а еднократното изобразяване може да получи томографски изображения на цялото тяло. В сравнение с независими PET и CT, PET/CT може значително да подобри чувствителността, точността, специфичността и точността на позициониране на диагнозата. Тя може да разбере цялостното състояние на цялото тяло с един поглед, и да се постигне целта на ранно откриване на лезии и диагностика на заболявания. Използва се главно за ранно откриване и диагностициране на основни заболявания в туморните, мозъчните и сърдечните полета.
Според големите данни на глобалния годишен доклад за рака, издаден през 2018 г., има приблизително 18,1 милиона нови случая на рак и 9,6 милиона смъртни случая на рак по целия свят. Има 1 пациент с рак на всеки 65 души у нас, което е водещата причина за смъртта. Според статистиката на Световната здравна организация настоящите проценти на излекуване и степента на оцеляване на различни методи на лечение не са задоволителни за хората. Основните причини са, че диагнозата е твърде късно, постановката е неточна и лечението е непълно. Тъй като PET/CT може да наблюдава промени в клетъчния метаболизъм в организма, е възможно да се изясни естеството на първичния тумор на тумора (диференциация на доброкачествени и злокачествени тумори, Туморно постановка и степенуване) преди структурни и морфологични промени, и дали има системни метастатични лезии (системни условия) Оценка), как ефектът е (няколко дни или дори часове след лъчетерапията може да наблюдава терапевтичния ефект на тумора, коригирайте навреме плана за лечение, и радикално излекувайте непълно третираната лезия и т.н. В допълнение, PET /CT има уникални предимства в локализацията на мозъчната епилепсия лезии преди операцията, идентифицирането на радиационна некроза и повторение след туморно лечение, класификацията на мозъчния тумор злокачествено заболяване, и неврологични заболявания.
Въпреки това, радиацията, донесена от ПЕТ/КТ, често прави хората "разсеяни". Количеството радиация, взето при ПЕТ/КТ изследване на цялото тяло, е около 7,5mSv. каква е тази концепция? В природата хората получават приблизително 2,4mSv естествена радиация всяка година, така че дозата на ПЕТ/КТ изследване не може да бъде пренебрегната. В отговор на радиационните дозови проблеми на радиацията и радиацията, причинени от КТ и инжектираните PET радиофармацевтици при ПЕТ/КТ сканирания, Световната здравна организация, Международната радиологична комисия и Международната организация за медицинска физика формулираха стандарти за осигуряване на качеството на медицинската експозиция и стандартите за контрол на дозата, а силно се застъпиха за излагане на Радиационна експозиция трябва да следва принципа ALARA (Толкова ниско колкото разумно постижимо) за практическа легитимност и оптимална защита. Очаква се, че най-добрите диагностични изображения могат да бъдат получени с най-малката радиационна и радиационна доза, като същевременно се намалят допълнително разходите за пет/КТ инспекции и се намали времето за сканиране.
Намаляването на инжектирания радиотракер обаче ще уголеми шума на Poisson, което ще повлияе на качеството на изображението, откриването на лезията и количествената точност на PET. При нискодозовите образни изследвания много ключова информация ще бъде потопена под повишеното ниво на шум. Чрез препроектиране/оптимизиране на алгоритъма за реконструкция на сканиране с ниски дози може да се постигне най-доброто разместване между нивото на шума и сближаването на сигнала. За да се решат горепосочените предизвикателства, бяха предложени много алгоритми и технологии, които могат да бъдат разделени предимно на традиционни алгоритми и алгоритми за дълбоко обучение. Сред тях традиционните алгоритми включват предимно алгоритми за обработка/филтриране след реконструкция, анатомични насочващи алгоритми, статистическо моделиране в процеса на итеративна реконструкция, както и отстраняване на шума и корекция на ефекта на частичен обем под ръководството на ЯМР. Въпреки че тези методи се опитват да сведат до минимум шума и количествените грешки, все още има проблеми със загубата на пространствена резолюция и прекомерното изглаждане.
Алгоритмите за дълбоко обучение са разпознали възможности при решаването на сложни обратни проблеми, като например реконструкция на изображения от прогнози. Процесът на реконструкция на изображението на CT, PET и SPECT с помощта на технология за дълбоко обучение има приблизително същите методи. Понастоящем има четири основни стратегии: Първият метод е процесът на обучение "изображение към изображение", т.е. процесът на обучение "изображение към изображение" се извършва в пространството на изображението. Преобразуване на изображения, обучение на мрежов модел за подобряване на качеството на изображението на реконструирания образ чрез денозиращо и супер-разделителна моделиране. Вторият метод е процесът на обучение sinogram-to-sinogram, т.е. обучение на дълбок модел на обучение в прожекционния домейн за подобряване на качеството на изображението на синограмата, за да се избегне чувствителността и зависимостта от алгоритъма за реконструкция. Третият метод е процесът на обучение "синограма към изображение", т.е. научаване на нелинейната картографска връзка между прожекционния домейн и домейна на изображението чрез мрежовия модел, напълно премахване на традиционния алгоритъм за реконструкция и генериране на изображението в една стъпка. Четвъртият метод може да се нарече хибридно обучение на домейни. С сливането на алгоритъма за реконструкция и дълбокото обучение, мрежовият модел е обучен в прожекционния домейн и домейна на изображението едновременно, за да реализира оптималното решение на проблема с реконструкцията на изображението.
Настоящата индустрия по принцип използва алгоритми за изображения на PET с ниска доза в домейна на изображението, т.е. след като оборудването PET/CT изведе изображението, качеството на изображението се подобрява чрез следобработката на изображението. Поради големия шум в pet изображенията с ниска доза, тези шумове прикрепят много фини структури в PET изображенията. Този технически маршрут обикновено води до артефакти на изображения, количествени грешки и загуба на фини структури. Традиционната ПЕТ образна диагностика е загубила много информация в процеса на реконструкция. Изключително трудно е да се възстанови изгубената информация само чрез обработка на изображението в по-късния етап и е трудно да се подобри окончателното качество на изображението. За да се реши проблемът с качеството на изображението от източника, някои медицински и лаборатории са разработили иновативно алгоритми за дълбоко обучение въз основа на PET сурови данни и реконструирани изображения (четвъртия вид хибридно обучение на домейни). Алгоритъмът дълбоко вгражда AI в процеса на реконструкция на PET изображения, и използва дълбоко обучение, за да копае информацията в оригиналните данни. Чрез комбиниране на физическия модел на реконструкция на PET, обработващият обект е директно напреднал към оригиналните данни вътре в устройството за изображения, а алгоритъмът за реконструкция се подпомага за подобряване на качеството на реконструирания образ, което значително намалява загубата на ефективна информация, така че да се получат по-ясни PET изображения и по-силна Способността за откриване на малки лезии.
