Cosa dobbiamo sapere sul PET/CT?
PET/CT è un dispositivo di medicina nucleare che integra perfettamente i sistemi PET e CT. La PET fornisce informazioni molecolari dettagliate sulla funzione e sul metabolismo della lesione, mentre la TC fornisce un preciso posizionamento anatomico della lesione e l'imaging una tantum può ottenere immagini tomografiche di tutto il corpo. Rispetto alla PET e alla TC indipendenti, la PET/CT può migliorare significativamente la sensibilità, l'accuratezza, la specificità e l'accuratezza del posizionamento della diagnosi. Può comprendere le condizioni generali di tutto il corpo a colpo d'occhio e raggiungere lo scopo della diagnosi precoce delle lesioni e della diagnosi delle malattie. Viene utilizzato principalmente per la diagnosi precoce e la diagnosi delle principali malattie nei campi tumorali, cerebrali e cardiaci.
Secondo i big data del Global Cancer Annual Report pubblicato nel 2018, ci sono circa 18,1 milioni di nuovi casi di cancro e 9,6 milioni di decessi per cancro in tutto il mondo. C'è 1 malato di cancro ogni 65 persone nel nostro paese, che è la principale causa di morte. Secondo le statistiche dell'Organizzazione Mondiale della Sanità, gli attuali tassi di guarigione e i tassi di sopravvivenza di vari metodi di trattamento non sono soddisfacenti per le persone. I motivi principali sono che la diagnosi è troppo tardi, la stadiazione è imprecisa e il trattamento è incompleto. Poiché la PET/TC può osservare cambiamenti nel metabolismo cellulare nel corpo, è possibile chiarire la natura del tumore primario del tumore (differenziazione dei tumori benigni e maligni, stadiazione e classificazione del tumore) prima dei cambiamenti strutturali e morfologici e se ci sono lesioni metastatiche sistemiche (condizioni sistemiche) Valutazione), come è l'effetto (pochi giorni o anche ore dopo la radioterapia può osservare l'effetto terapeutico del tumore, regolare il piano di trattamento in tempo e curare radicalmente la lesione non completamente trattata), ecc. Inoltre, la PET / CT ha vantaggi unici nella localizzazione delle lesioni dell'epilessia cerebrale prima dell'intervento chirurgico, l'identificazione della necrosi da radiazioni e della recidiva dopo il trattamento del tumore, la classificazione della malignità del tumore cerebrale e delle malattie neurologiche.
Tuttavia, le radiazioni portate dalle scansioni PET / CT spesso rendono le persone "distratte". La quantità di radiazioni assunte in un esame PET / CT di tutto il corpo è di circa 7,5 mSv. qual è questo concetto? In natura, gli esseri umani ricevono circa 2,4 mSv di radiazioni naturali ogni anno, quindi la dose di esame PET / CT non può essere ignorata. In risposta ai problemi di dose di radiazioni di radiazioni di radiazioni e radiazioni causate da TC e radiofarmaci PET iniettati nelle scansioni PET / CT, l'Organizzazione Mondiale della Sanità, la Commissione Radiologica Internazionale e l'Organizzazione Internazionale di Fisica Medica hanno formulato standard di garanzia della qualità dell'esposizione medica e di controllo della dose, e hanno fortemente sostenuto che l'esposizione alle radiazioni dovrebbe seguire il principio ALARA (As Low As Reasonably Achievable) di legittimità pratica e protezione ottimale. Si prevede che le migliori immagini diagnostiche possano essere ottenute con la più piccola dose di radiazioni e radiazioni, riducendo ulteriormente il costo delle ispezioni PET / CT e riducendo i tempi di scansione.
Tuttavia, la riduzione del radiotracciante iniettato amplificherà il rumore di Poisson, che influenzerà la qualità dell'immagine, il rilevamento delle lesioni e l'accuratezza quantitativa della PET. Nell'imaging a basso dosaggio, molte informazioni chiave saranno sommerse sotto l'aumento del livello di rumore. Riprogettando/ottimizzando l'algoritmo di ricostruzione della scansione a basso dosaggio, è possibile ottenere il miglior compromesso tra livello di rumore e convergenza del segnale. Al fine di risolvere le sfide sopra menzionate, sono stati proposti molti algoritmi e tecnologie, che possono essere principalmente suddivisi in algoritmi tradizionali e algoritmi di deep learning. Tra questi, gli algoritmi tradizionali includono principalmente algoritmi di elaborazione / filtraggio post-ricostruzione, algoritmi di guida anatomica, modellazione statistica nel processo di ricostruzione iterativa e rimozione del rumore e correzione parziale dell'effetto volume sotto la guida della risonanza magnetica. Sebbene questi metodi cerchino di ridurre al minimo il rumore e gli errori quantitativi, ci sono ancora problemi con la perdita di risoluzione spaziale e l'eccessiva levigatura.
Gli algoritmi di deep learning hanno riconosciuto capacità di risolvere complessi problemi inversi, come la ricostruzione di immagini da proiezioni. Il processo di ricostruzione delle immagini di CT, PET e SPECT utilizzando la tecnologia di deep learning ha all'incirca gli stessi metodi. Attualmente ci sono quattro strategie principali: il primo metodo è il processo di apprendimento da immagine a immagine, cioè il processo di apprendimento da immagine a immagine viene eseguito nello spazio immagine. Conversione dell'immagine, addestramento di un modello di rete per migliorare la qualità dell'immagine ricostruita attraverso la denoising e la modellazione a super-risoluzione. Il secondo metodo è il processo di apprendimento da sinogramma a sinogramma, cioè l'addestramento di un modello di deep learning nel dominio della proiezione per migliorare la qualità dell'immagine del sinogramma per evitare sensibilità e dipendenza dall'algoritmo di ricostruzione. Il terzo metodo è il processo di apprendimento sinogramma-immagine, cioè l'apprendimento della relazione di mappatura non lineare tra il dominio di proiezione e il dominio dell'immagine attraverso il modello di rete, rimuovendo completamente l'algoritmo di ricostruzione tradizionale e generando l'immagine in un unico passaggio. Il quarto metodo può essere chiamato apprendimento del dominio ibrido. Fondendo l'algoritmo di ricostruzione e il deep learning, il modello di rete viene addestrato contemporaneamente nel dominio di proiezione e nel dominio dell'immagine per realizzare la soluzione ottimale del problema di ricostruzione dell'immagine.
L'industria attuale utilizza generalmente algoritmi di imaging PET a basso dosaggio nel dominio dell'immagine, cioè dopo che l'apparecchiatura PET / CT emette l'immagine, la qualità dell'immagine viene migliorata attraverso la post-elaborazione dell'immagine. A causa del grande rumore nelle immagini PET a basso dosaggio, questi rumori nascondono molte strutture sottili nelle immagini PET. Questo percorso tecnico di solito porta a artefatti di immagine, errori quantitativi e perdita di strutture fini. L'imaging PET tradizionale ha perso molte informazioni nel processo di ricostruzione. È estremamente difficile recuperare le informazioni perse solo elaborando l'immagine nella fase successiva ed è difficile migliorare la qualità dell'immagine finale. Al fine di risolvere il problema della qualità dell'immagine dalla fonte, alcuni medici e laboratori hanno sviluppato in modo innovativo algoritmi di deep learning basati su dati grezzi PET e immagini ricostruite (il quarto tipo di apprendimento del dominio ibrido). L'algoritmo incorpora profondamente l'intelligenza artificiale nel processo di ricostruzione delle immagini PET e utilizza il deep learning per estrarre le informazioni nei dati originali. Combinando il modello fisico della ricostruzione PET, l'oggetto di elaborazione viene direttamente avanzato ai dati originali all'interno del dispositivo di imaging e l'algoritmo di ricostruzione viene assistito per migliorare la qualità dell'immagine ricostruita, che riduce notevolmente la perdita di informazioni efficaci, in modo da ottenere immagini PET più chiare e più forti La capacità di rilevare piccole lesioni.
