Què hem de saber sobre PET / TC?
El PET / CT és un dispositiu de medicina nuclear que integra perfectament els sistemes PET i CT. El PET proporciona informació molecular detallada sobre la funció i el metabolisme de la lesió, mentre que la TC proporciona un posicionament anatòmic precís de la lesió i la imatge única pot obtenir imatges tomogràfiques de tot el cos. En comparació amb PET i TC independents, el PET / CT pot millorar significativament la sensibilitat, precisió, especificitat i precisió de posicionament del diagnòstic. Pot comprendre l'estat general de tot el cos d'un cop d'ull i aconseguir l'objectiu de la detecció precoç de lesions i el diagnòstic de malalties. S’utilitza principalment per a la detecció i diagnòstic precoç de malalties importants en els camps tumorals, cerebrals i cardíacs.
Segons les grans dades de l'Informe Anual Mundial sobre el Càncer publicat el 2018, s'estima que hi ha 18,1 milions de nous casos de càncer i 9,6 milions de morts per càncer a tot el món. Al nostre país hi ha 1 pacient amb càncer de cada 65 persones, que és la principal causa de mort. Segons estadístiques de l’Organització Mundial de la Salut, les taxes actuals de curació i supervivència de diversos mètodes de tractament no són satisfactòries per a les persones. Les principals raons són que el diagnòstic és massa tardà, que la posició en escena és inexacta i el tractament és incomplet. Atès que el PET / TC pot observar canvis en el metabolisme cel·lular al cos, és possible aclarir la naturalesa del tumor primari del tumor&# (diferenciació de tumors benignes i malignes, estadificació i classificació del tumor) abans que estructural i morfològic. canvis, i si hi ha lesions metastàtiques sistèmiques (condicions sistèmiques) Avaluació), com és l’efecte (uns dies o fins i tot hores després de la radioteràpia pot observar l’efecte terapèutic del tumor, ajustar el pla de tractament a temps i curar radicalment la a més, el PET / TC té avantatges únics en la localització de lesions d’epilèpsia cerebral abans de la cirurgia, la identificació de la necrosi per radiació i la recurrència després del tractament del tumor, la classificació de malignitat del tumor cerebral i les malalties neurològiques.
No obstant això, la radiació produïda per PET / CT sovint fa que la gent&quedi distreta &. La quantitat de radiació que es pren en un examen PET / CT de tot el cos és d’uns 7,5 mSv. Què és aquest concepte? A la natura, els humans rebem aproximadament 2,4 mSv de radiació natural cada any, de manera que no es pot ignorar la dosi de l’examen PET / CT. En resposta als problemes de radiació i radiació causats per la TC i els radiofarmacèutics PET injectats en exploracions PET / CT, l'Organització Mundial de la Salut, la Comissió Internacional de Radiologia i l'Organització Internacional de Física Mèdica han formulat normes de control de la dosi i de garantia de l'exposició mèdica, i fermament defensat. L’exposició a la radiació hauria de seguir el principi ALARA (tan baix com s’aconsegueix raonablement) de legitimitat pràctica i protecció òptima. S'espera que es puguin obtenir les millors imatges de diagnòstic amb la dosi de radiació i radiació més petita, tot reduint encara més el cost de les inspeccions de PET / TC i reduint el temps d'escaneig.
No obstant això, reduir el radiotracer injectat amplificarà el soroll de Poisson, que afectarà la qualitat de la imatge, la detecció de lesions i la precisió quantitativa del PET. En imatges amb dosis baixes, molta informació clau quedarà submergida sota l’augment del nivell de soroll. Redissenyant / optimitzant l’algoritme de reconstrucció d’escaneig de dosis baixes, es pot aconseguir el millor compromís entre el nivell de soroll i la convergència del senyal. Per tal de resoldre els reptes esmentats, s’han proposat molts algorismes i tecnologies, que es poden dividir principalment en algoritmes tradicionals i algorismes d’aprenentatge profund. Entre ells, els algoritmes tradicionals inclouen principalment algoritmes de processament / filtrat post-reconstrucció, algorismes de guia anatòmica, modelització estadística en el procés de reconstrucció iterativa i eliminació de soroll i correcció d’efecte de volum parcial sota la guia de la ressonància magnètica. Tot i que aquests mètodes intenten minimitzar el soroll i els errors quantitatius, encara hi ha problemes amb la pèrdua de resolució espacial i un suavitzat excessiu.
Els algoritmes d’aprenentatge profund tenen capacitats reconegudes per resoldre problemes inversos complexos, com la reconstrucció d’imatges a partir de projeccions. El procés de reconstrucció d’imatges de CT, PET i SPECT mitjançant tecnologia d’aprenentatge profund té aproximadament els mateixos mètodes. Actualment hi ha quatre estratègies principals: el primer mètode és el procés d’aprenentatge imatge a imatge, és a dir, el procés d’aprenentatge imatge a imatge es realitza a l’espai de la imatge. Conversió d’imatges, entrenant un model de xarxa per millorar la qualitat de la imatge de la imatge reconstruïda mitjançant el modelat de denoising i super resolució. El segon mètode és el procés d’aprenentatge sinograma a sinograma, és a dir, entrenar un model d’aprenentatge profund en el domini de la projecció per millorar la qualitat de la imatge del sinograma per evitar la sensibilitat i la dependència de l’algorisme de reconstrucció. El tercer mètode és el procés d’aprenentatge sinograma a imatge, és a dir, aprendre la relació de mapatge no lineal entre el domini de projecció i el domini de la imatge a través del model de xarxa, eliminant completament l’algoritme de reconstrucció tradicional i generant la imatge en un sol pas. El quart mètode es pot anomenar aprenentatge de dominis híbrids. En fusionar l'algorisme de reconstrucció i l'aprenentatge profund, el model de xarxa s'entren en el domini de la projecció i el domini de la imatge alhora per aconseguir la solució òptima del problema de la reconstrucció de la imatge.
La indústria actual generalment utilitza algorismes d’imatge de PET de baixa dosi en el domini de la imatge, és a dir, després que l’equip de PET / CT emeti la imatge, la qualitat de la imatge es millora mitjançant el postprocessament de la imatge. A causa del gran soroll de les imatges de PET a dosis baixes, aquests sorolls oculten moltes estructures fines a les imatges de PET. Aquesta ruta tècnica sol conduir a artefactes d’imatges, errors quantitatius i pèrdua d’estructures fines. La imatge tradicional de PET ha perdut molta informació en el procés de reconstrucció. És extremadament difícil recuperar la informació perduda només processant la imatge en la fase posterior i és difícil millorar la qualitat final de la imatge. Per tal de resoldre el problema de la qualitat de la imatge des de la font, alguns metges i laboratoris han desenvolupat innovadament algorismes d'aprenentatge profund basats en dades brutes de PET i imatges reconstruïdes (el quart tipus d'aprenentatge de dominis híbrids). L’algorisme incorpora profundament la IA al procés de reconstrucció d’imatges PET i utilitza un aprenentatge profund per extraure la informació de les dades originals. Combinant el model físic de reconstrucció de PET, l’objecte de processament s’avança directament a les dades originals del dispositiu d’imatge i l’algorisme de reconstrucció s’ajuda a millorar la qualitat de la imatge reconstruïda, cosa que redueix en gran mesura la pèrdua d’informació efectiva, de manera que per obtenir imatges de PET més clares i més fortes Capacitat de detectar petites lesions.
