Hvad har vi at vide om PET/CT?
PET/CT er en nuklearmedicinsk enhed, der perfekt integrerer PET- og CT-systemer. PET giver detaljerede molekylære oplysninger om læsionens funktion og metabolisme, mens CT giver præcis anatomisk positionering af læsionen, og engangsbilleddannelse kan få tomografiske billeder af hele kroppen. Sammenlignet med uafhængig PET og CT kan PET/CT forbedre diagnosens følsomhed, nøjagtighed, specificitet og positioneringsnøjagtighed betydeligt. Det kan forstå den generelle tilstand af hele kroppen på et øjeblik, og nå formålet med tidlig påvisning af læsioner og diagnosticering af sygdomme. Det bruges hovedsageligt til tidlig påvisning og diagnosticering af større sygdomme i tumor-, hjerne- og hjertefelter.
Ifølge big data i Global Cancer Annual Report udgivet i 2018 er der anslået 18,1 millioner nye kræfttilfælde og 9,6 millioner kræftdødsfald på verdensplan. Der er 1 kræftpatient i hver 65 mennesker i vores land, som er den hyppigste dødsårsag. Ifølge statistikker fra Verdenssundhedsorganisationen er de nuværende helbredelsesrater og overlevelsesrater for forskellige behandlingsmetoder ikke tilfredsstillende for folk. Hovedårsagerne er, at diagnosen er for sent, iscenesættelsen er unøjagtig, og behandlingen er ufuldstændig. Fordi PET / CT kan observere ændringer i cellemetabolismen i kroppen, er det muligt at afklare arten af tumorens primære tumor (differentiering af godartede og maligne tumorer, tumor iscenesættelse og klassificering) før strukturelle og morfologiske ændringer, og om der er systemiske metastatiske læsioner (systemiske tilstande) Evaluering), hvordan effekten er (et par dage eller endda timer efter strålebehandling kan observere tumorens terapeutiske virkning, justere behandlingsplanen i tide og radikalt helbrede den ufuldstændigt behandlede læsion osv. Derudover har PET / CT unikke fordele ved lokalisering af hjerne epilepsilæsioner før operationen, identifikation af strålingsnekrose og tilbagefald efter tumorbehandling, klassificering af hjernetumor malignitet og neurologiske sygdomme.
Men den stråling, der bringes af PET / CT-scanninger ofte gør folk "distraheret". Mængden af stråling taget i en PET / CT hele kroppen undersøgelse er omkring 7.5mSv. hvad er dette koncept? I naturen modtager mennesker ca. 2,4 mSv naturlig stråling hvert år, så dosis pet/CT-undersøgelse kan ikke ignoreres. Som reaktion på strålingsdosisproblemerne i forbindelse med stråling og stråling forårsaget af CT og injicerede PET-radioaktive lægemidler i PET/CT-scanninger har Verdenssundhedsorganisationen, Den Internationale Radiologiske Kommission og Den Internationale Medicinske Fysikorganisation formuleret kvalitetssikrings- og dosiskontrolstandarder for medicinsk bestråling og slået kraftigt til lyd for strålingseksponering bør følge ALARA-princippet (så lavt som rimeligt opnåeligt) om praktisk legitimitet og optimal beskyttelse. Det forventes, at de bedste diagnostiske billeder kan opnås med den mindste strålings- og strålingsdosis, samtidig med at omkostningerne ved PET/CT-inspektioner reduceres yderligere, og scanningstiden reduceres.
Men en reduktion af den injicerede radiotracer vil forstærke Poisson støj, som vil påvirke billedkvaliteten, læsionsdetektering og kvantitativ nøjagtighed af PET. I lavdosisbilleddannelse vil mange vigtige oplysninger blive nedsænket under det øgede støjniveau. Ved at redesigne/optimere rekonstruktionsalgoritmen for lavdosisscanning kan den bedste afvejning mellem støjniveau og signalkonvergens opnås. For at løse de ovennævnte udfordringer er der foreslået mange algoritmer og teknologier, som hovedsageligt kan opdeles i traditionelle algoritmer og deep learning-algoritmer. Blandt dem omfatter de traditionelle algoritmer hovedsageligt behandlings-/filtreringsalgoritmer efter genopbygningen, anatomiske vejledningsalgoritmer, statistisk modellering i den iterative genopbygningsproces og støjfjernelse og delvis volumeneffektkorrektion under vejledning af MRI. Selvom disse metoder forsøger at minimere støj og kvantitative fejl, er der stadig problemer med tab af rumlig opløsning og overdreven udjævning.
Deep learning-algoritmer har anerkendt funktioner til at løse komplekse inverse problemer, såsom billedgenopbygning fra fremskrivninger. Billedgenopbygningsprocessen for CT, PET og SPECT ved hjælp af deep learning-teknologi har stort set de samme metoder. Der er i øjeblikket fire hovedstrategier: Den første metode er billed-til-billede-læringsprocessen, det vil sige, at billed-til-billede-læringsprocessen udføres i billedrummet. Billedkonvertering, uddannelse af en netværksmodel for at forbedre billedkvaliteten af det rekonstruerede billede gennem denoising og modellering i superopløsning. Den anden metode er sinogram-til-sinogram læringsprocessen, det vil sige at træne en dyb læringsmodel i projektionsdomænet for at forbedre synogrammets billedkvalitet for at undgå følsomhed og afhængighed af genopbygningsalgoritmen. Den tredje metode er sinogram-til-billede-læringsprocessen, det vil sige at lære det ikke-lineære kortlægningsforhold mellem projektionsdomænet og billeddomænet gennem netværksmodellen, fjerne den traditionelle genopbygningsalgoritme fuldstændigt og generere billedet i et trin. Den fjerde metode kan kaldes hybrid domænelæring. Ved at fusionere rekonstruktionsalgoritmen og deep learning trænes netværksmodellen i projektionsdomænet og billeddomænet samtidig for at realisere den optimale løsning på problemet med billedgenopbygning.
Den nuværende industri bruger generelt lavdosis PET-billedbehandlingsalgoritmer i billeddomænet, det vil sige, at billedkvaliteten forbedres gennem billedforarbejdning, når PET/CT-udstyret har givet billedet. På grund af den store støj i lavdosis PET-billeder skjuler disse lyde mange fine strukturer i PET-billeder. Denne tekniske rute fører normalt til billedartefakter, kvantitative fejl og tab af fine strukturer. Traditionel PET-billeddannelse har mistet en masse information i genopbygningsprocessen. Det er yderst vanskeligt kun at gendanne de mistede oplysninger ved at behandle billedet i det senere stadium, og det er vanskeligt at forbedre den endelige billedkvalitet. For at løse problemet med billedkvaliteten fra kilden har nogle medicinske og laboratorier innovativt udviklet deep learning-algoritmer baseret på PET-rå data og rekonstruerede billeder (den fjerde type hybriddomænelæring). Algoritmen integrerer dybt AI i PET-billedgenopbygningsprocessen og bruger deep learning til at udvinde oplysningerne i de oprindelige data. Ved at kombinere den fysiske model for PET-rekonstruktion er behandlingsobjektet direkte avanceret til de originale data inde i billedenheden, og rekonstruktionsalgoritmen bistås for at forbedre kvaliteten af det rekonstruerede billede, hvilket i høj grad reducerer tabet af effektiv information for at opnå klarere PET-billeder og stærkere Evnen til at opdage små læsioner.
