Wat moeten we weten over PET/CT?
PET/CT is een apparaat voor nucleair geneeskunde dat PET- en CT-systemen perfect integreert. PET biedt gedetailleerde moleculaire informatie over de functie en het metabolisme van de laesie, terwijl CT een nauwkeurige anatomische positionering van de laesie biedt, en eenmalige beeldvorming kan tomografische beelden van het hele lichaam verkrijgen. Vergeleken met onafhankelijke PET en CT kan PET/CT de gevoeligheid, nauwkeurigheid, specificiteit en positioneringsnauwkeurigheid van diagnose aanzienlijk verbeteren. Het kan de algemene toestand van het hele lichaam in één oogopslag begrijpen en het doel van vroege detectie van laesies en diagnose van ziekten bereiken. Het wordt voornamelijk gebruikt voor vroege detectie en diagnose van belangrijke ziekten in tumor-, hersen- en hartvelden.
Volgens de big data van het Global Cancer Annual Report, uitgebracht in 2018, zijn er wereldwijd naar schatting 18,1 miljoen nieuwe kankergevallen en 9,6 miljoen sterfgevallen door kanker. Er is 1 kankerpatiënt op elke 65 mensen in ons land, de belangrijkste doodsoorzaak. Volgens statistieken van de Wereldgezondheidsorganisatie zijn de huidige genezingspercentages en overlevingspercentages van verschillende behandelmethoden voor mensen niet bevredigend. De belangrijkste redenen zijn dat de diagnose te laat is, de stadiëring onnauwkeurig is en de behandeling onvolledig is. Omdat PET/CT veranderingen in het celmetabolisme in het lichaam kan waarnemen, is het mogelijk om de aard van de tumor's primaire tumor (differentiatie van goedaardige en kwaadaardige tumoren, tumorstadiëring en -grading) te verduidelijken voordat structurele en morfologische veranderingen, en of er systemische metastatische laesies zijn (systemische aandoeningen) Evaluatie), hoe het effect is (een paar dagen of zelfs uren na radiotherapie kan het therapeutisch effect van de tumor worden waargenomen, het behandelplan op tijd aanpassen en de onvolledige genezing radicaal behandelde laesie), enz. Bovendien heeft PET/CT unieke voordelen bij de lokalisatie van hersenepilepsielaesies vóór de operatie, de identificatie van stralingsnecrose en herhaling na tumorbehandeling, de classificatie van maligniteit van hersentumoren en neurologische ziekten.
De straling die PET/CT-scans met zich meebrengen, maakt mensen echter vaak"afgeleid". De hoeveelheid straling die wordt afgenomen bij een PET/CT-onderzoek van het hele lichaam is ongeveer 7,5 mSv. wat is dit begrip? In de natuur ontvangt de mens jaarlijks ongeveer 2,4 mSv natuurlijke straling, dus de dosis van PET/CT-onderzoek kan niet worden genegeerd. Als reactie op de stralingsdosisproblemen van straling en straling veroorzaakt door CT en geïnjecteerde PET-radiofarmaceutica in PET/CT-scans, hebben de Wereldgezondheidsorganisatie, de International Radiological Commission en de International Medical Physics Organization normen voor de kwaliteitsborging van medische blootstelling en dosisbeheersing geformuleerd, en sterk gepleit Voor blootstelling aan straling moet het ALARA-principe (As Low As Reasonably Achievable) van praktische legitimiteit en optimale bescherming worden gevolgd. De verwachting is dat de beste diagnostische beelden kunnen worden verkregen met de kleinste straling en stralingsdosis, terwijl de kosten van PET/CT-inspecties verder worden verlaagd en de scantijd wordt verkort.
Het verminderen van de geïnjecteerde radiotracer zal echter Poisson-ruis versterken, wat de beeldkwaliteit, laesiedetectie en kwantitatieve nauwkeurigheid van PET zal beïnvloeden. Bij beeldvorming met een lage dosis zal veel belangrijke informatie worden ondergedompeld onder het verhoogde ruisniveau. Door het reconstructie-algoritme van scannen met lage dosis opnieuw te ontwerpen/optimaliseren, kan de beste afweging tussen ruisniveau en signaalconvergentie worden bereikt. Om de bovengenoemde uitdagingen op te lossen, zijn er veel algoritmen en technologieën voorgesteld, die voornamelijk kunnen worden onderverdeeld in traditionele algoritmen en deep learning-algoritmen. Onder hen omvatten de traditionele algoritmen voornamelijk verwerkings- / filteralgoritmen na reconstructie, anatomische geleidingsalgoritmen, statistische modellering in het iteratieve reconstructieproces en ruisverwijdering en gedeeltelijke volume-effectcorrectie onder begeleiding van MRI. Hoewel deze methoden ruis en kwantitatieve fouten proberen te minimaliseren, zijn er nog steeds problemen met verlies van ruimtelijke resolutie en overmatige afvlakking.
Deep learning-algoritmen hebben erkende mogelijkheden bij het oplossen van complexe inverse problemen, zoals beeldreconstructie van projecties. Het beeldreconstructieproces van CT, PET en SPECT met behulp van deep learning-technologie heeft ongeveer dezelfde methoden. Er zijn momenteel vier hoofdstrategieën: De eerste methode is het beeld-naar-beeld leerproces, dat wil zeggen, het beeld-naar-beeld leerproces wordt uitgevoerd in de beeldruimte. Beeldconversie, het trainen van een netwerkmodel om de beeldkwaliteit van het gereconstrueerde beeld te verbeteren door middel van ruisonderdrukking en superresolutiemodellering. De tweede methode is het sinogram-naar-sinogram leerproces, dat wil zeggen het trainen van een deep learning-model in het projectiedomein om de beeldkwaliteit van het sinogram te verbeteren om gevoeligheid en afhankelijkheid van het reconstructie-algoritme te voorkomen. De derde methode is het sinogram-naar-beeld leerproces, dat wil zeggen, het leren van de niet-lineaire afbeeldingsrelatie tussen het projectiedomein en het beelddomein via het netwerkmodel, het volledig verwijderen van het traditionele reconstructiealgoritme en het genereren van het beeld in één stap. De vierde methode kan hybride domeinleren worden genoemd. Door het reconstructie-algoritme en deep learning te fuseren, wordt het netwerkmodel tegelijkertijd getraind in het projectiedomein en het beelddomein om de optimale oplossing van het beeldreconstructieprobleem te realiseren.
De huidige industrie gebruikt over het algemeen PET-beeldvormingsalgoritmen met een lage dosis in het beelddomein, dat wil zeggen, nadat de PET/CT-apparatuur het beeld heeft uitgevoerd, wordt de beeldkwaliteit verbeterd door middel van nabewerking van het beeld. Door de grote ruis in laaggedoseerde PET-beelden verhullen deze ruis veel fijne structuren in PET-beelden. Deze technische route leidt meestal tot beeldartefacten, kwantitatieve fouten en verlies van fijne structuren. Traditionele PET-beeldvorming heeft veel informatie verloren in het reconstructieproces. Het is buitengewoon moeilijk om de verloren informatie alleen te herstellen door het beeld in een later stadium te verwerken, en het is moeilijk om de uiteindelijke beeldkwaliteit te verbeteren. Om het probleem van beeldkwaliteit vanaf de bron op te lossen, hebben sommige medische instellingen en laboratoria op innovatieve wijze deep learning-algoritmen ontwikkeld op basis van onbewerkte PET-gegevens en gereconstrueerde beelden (het vierde type hybride domeinleren). Het algoritme integreert AI diep in het PET-beeldreconstructieproces en gebruikt deep learning om de informatie in de originele gegevens te ontginnen. Door het fysieke model van PET-reconstructie te combineren, wordt het verwerkingsobject direct vooruitgeschoven naar de originele gegevens in het beeldvormingsapparaat en wordt het reconstructie-algoritme geholpen om de kwaliteit van het gereconstrueerde beeld te verbeteren, wat het verlies van effectieve informatie aanzienlijk vermindert, dus als om duidelijkere PET-beelden te verkrijgen en sterker Het vermogen om kleine laesies te detecteren.
