Ką turime žinoti apie PET/ CT?
PET / CT yra branduolinės medicinos prietaisas, kuris puikiai integruoja PET ir CT sistemas. PET pateikia išsamią molekulinę informaciją apie pažeidimo funkciją ir metabolizmą, o CT užtikrina tikslią anatominę pažeidimo padėtį, o vienkartinis vaizdavimas gali gauti viso kūno tomografinius vaizdus. Palyginti su nepriklausomu PET ir CT, PET/ CT gali žymiai pagerinti diagnozės jautrumą, tikslumą, specifiškumą ir padėties nustatymo tikslumą. Jis gali suprasti bendrą viso kūno būklę ir pasiekti ankstyvo pažeidimų nustatymo ir ligų diagnozavimo tikslą. Jis daugiausia naudojamas ankstyvam pagrindinių navikų, smegenų ir širdies laukų ligų nustatymui ir diagnostikai.
Remiantis 2018 m. paskelbtos Pasaulinės vėžio metinės ataskaitos duomenimis, pasaulyje yra apie 18,1 mln. Mūsų šalyje yra 1 vėžiu sergantis pacientas iš 65 žmonių, o tai yra pagrindinė mirties priežastis. Remiantis Pasaulio sveikatos organizacijos statistiniais duomenimis, dabartiniai įvairių gydymo metodų gydymo rodikliai ir išgyvenamumas žmonėms nėra patenkinami. Pagrindinės priežastys yra tai, kad diagnozė yra per vėlu, sustojimas yra netikslus, o gydymas yra neišsamus. Kadangi PET/ CT gali stebėti ląstelių metabolizmo pokyčius organizme, galima paaiškinti naviko pirminio naviko pobūdį (gerybinių ir piktybinių navikų diferenciacija, naviko sustojimas ir klasifikavimas) prieš struktūrinius ir morfologinius pokyčius ir ar yra sisteminių metastazavusių pažeidimų (sisteminių sąlygų) įvertinimas), kaip poveikis yra (kelios dienos ar net valandos po radioterapijos gali stebėti terapinį naviko poveikį), laiku pakoreguokite gydymo planą ir radikaliai išgydykite nevisiškai gydytą pažeidimą ir pan. Be to, PET / CT turi unikalių privalumų smegenų epilepsijos pažeidimų lokalizavimui prieš operaciją, radiacinės nekrozės identifikavimui ir pasikartojimui po naviko gydymo, smegenų naviko piktybinių navikų klasifikacijai ir neurologinėms ligoms.
Tačiau PET / CT skenavimo skleidžiama spinduliuotė dažnai verčia žmones "išsiblaškyti". Spinduliuotės kiekis, paimtas atliekant visą PET / CT kūno tyrimą, yra apie 7,5 mSv. kas yra ši sąvoka? Gamtoje žmonės kasmet gauna apie 2,4 mSv natūralios spinduliuotės, todėl negalima ignoruoti PET/ CT tyrimo dozės. Reaguodama į spinduliuotės ir spinduliuotės radiacijos dozes, kurias sukelia CT ir švirkščiami PET radiofarmaciniai preparatai PET / CT skenavimuose, Pasaulio sveikatos organizacija, Tarptautinė radiologinė komisija ir Tarptautinė medicininės fizikos organizacija suformulavo medicininės apšvitos kokybės užtikrinimo ir dozės kontrolės standartus ir tvirtai pasisakė už spinduliuotės poveikį, kuris turėtų atitikti ALARA (kaip žemą, kaip pagrįstai pasiekiamą) praktinio teisėtumo ir optimalios apsaugos principą. Tikimasi, kad geriausius diagnostinius vaizdus galima gauti naudojant mažiausią spinduliuotės ir spinduliuotės dozę, kartu dar labiau sumažinant PET ir KT patikrinimų išlaidas ir sutrumpinant nuskaitymo laiką.
Tačiau sumažinus švirkščiamą radiotracerį bus sustiprintas Poisson triukšmas, kuris turės įtakos PET vaizdo kokybei, pažeidimų aptikimui ir kiekybiniam tikslumui. Mažų dozių vaizdavimo metu daug pagrindinės informacijos bus panardinta į padidėjusį triukšmo lygį. Pertvarkius ir (arba) optimizavus mažų dozių skenavimo rekonstrukcijos algoritmą, galima pasiekti geriausią kompromisą tarp triukšmo lygio ir signalo konvergencijos. Siekiant išspręsti pirmiau minėtus iššūkius, buvo pasiūlyta daug algoritmų ir technologijų, kurias galima suskirstyti į tradicinius algoritmus ir gilaus mokymosi algoritmus. Tarp jų tradiciniai algoritmai daugiausia apima apdorojimo ir (arba) filtravimo po rekonstrukcijos algoritmus, anatominio orientavimo algoritmus, statistinį modeliavimą iteracinės rekonstrukcijos procese ir triukšmo pašalinimą bei dalinio tūrio efekto koregavimą vadovaujant MRT. Nors šiais metodais stengiamasi sumažinti triukšmą ir kiekybines klaidas, vis dar yra problemų, susijusių su erdvinės skiriamosios gebos praradimu ir pernelyg dideliu išlygimu.
Gilaus mokymosi algoritmai atpažino galimybes spręsti sudėtingas atvirkštines problemas, tokias kaip vaizdo rekonstrukcija iš projekcijų. Ct, PET ir SPECT vaizdo rekonstrukcijos procesas naudojant gilaus mokymosi technologiją turi maždaug tuos pačius metodus. Šiuo metu yra keturios pagrindinės strategijos: Pirmasis metodas yra vaizdo ir vaizdo mokymosi procesas, ty vaizdo ir vaizdo mokymosi procesas atliekamas vaizdo erdvėje. Vaizdo konvertavimas, tinklo modelio mokymas, siekiant pagerinti rekonstruoto vaizdo kokybę, apibrėžiant ir super skiriamosios gebos modeliavimą. Antrasis metodas yra sinogramos ir sinogramos mokymosi procesas, ty gilaus mokymosi modelio mokymas projekcijos srityje, siekiant pagerinti sinogramos vaizdo kokybę, kad būtų išvengta jautrumo ir priklausomybės nuo rekonstrukcijos algoritmo. Trečiasis metodas yra sinogramos ir vaizdo mokymosi procesas, ty netiesinio kartografavimo ryšio tarp projekcijos domeno ir vaizdo domeno mokymasis per tinklo modelį, visiškai pašalinant tradicinį rekonstrukcijos algoritmą ir generuojant vaizdą vienu žingsniu. Ketvirtasis metodas gali būti vadinamas hibridiniu domeno mokymusi. Lydant rekonstrukcijos algoritmą ir giluminį mokymąsi, tinklo modelis mokomas projekcijos srityje ir vaizdo srityje tuo pačiu metu, kad būtų realizuotas optimalus vaizdo rekonstrukcijos problemos sprendimas.
Dabartinė pramonė paprastai naudoja mažų dozių PET vaizdo algoritmus vaizdo srityje, ty po to, kai PET / CT įranga išveda vaizdą, vaizdo kokybė pagerėja po apdorojimo. Dėl didelio triukšmo mažų dozių PET vaizduose šie triukšmai slepia daug smulkių struktūrų PET vaizduose. Šis techninis maršrutas paprastai sukelia vaizdo artefaktus, kiekybines klaidas ir smulkių struktūrų praradimą. Tradicinis PET vaizdavimas prarado daug informacijos rekonstrukcijos procese. Labai sunku atkurti prarastą informaciją tik apdorojant vaizdą vėlesniame etape, todėl sunku pagerinti galutinę vaizdo kokybę. Siekiant išspręsti vaizdo kokybės problemą iš šaltinio, kai kurie medicinos ir laboratorijos naujoviškai sukūrė gilaus mokymosi algoritmus, pagrįstus PET neapdorotais duomenimis ir rekonstruotais vaizdais (ketvirtasis hibridinio domeno mokymosi tipas). Algoritmas giliai įdeda DI į PET vaizdo rekonstrukcijos procesą ir naudoja gilų mokymąsi, kad išminuoto informaciją pradiniuose duomenyse. Derinant fizinį PET rekonstrukcijos modelį, apdorojimo objektas yra tiesiogiai pažengęs į originalius vaizdo gavimo įrenginio duomenis, o rekonstrukcijos algoritmas padeda pagerinti rekonstruoto vaizdo kokybę, o tai labai sumažina veiksmingos informacijos praradimą, kad būtų gauti aiškesni PET vaizdai ir stipresnis Gebėjimas aptikti mažus pažeidimus.
