Was müssen wir über PET/CT wissen?
PET/CT ist ein nuklearmedizinisches Gerät, das PET- und CT-Systeme perfekt integriert. PET liefert detaillierte molekulare Informationen über die Funktion und den Stoffwechsel der Läsion, während die CT eine präzise anatomische Positionierung der Läsion ermöglicht und eine einmalige Bildgebung tomographische Aufnahmen des gesamten Körpers ermöglicht. Im Vergleich zu unabhängigen PET und CT kann PET/CT die Sensitivität, Genauigkeit, Spezifität und Positionierungsgenauigkeit der Diagnose erheblich verbessern. Es kann den Gesamtzustand des gesamten Körpers auf einen Blick erfassen und den Zweck der Früherkennung von Läsionen und der Diagnose von Krankheiten erfüllen. Es wird hauptsächlich zur Früherkennung und Diagnose von schweren Erkrankungen in Tumor-, Gehirn- und Herzfeldern eingesetzt.
Laut Big Data des 2018 veröffentlichten Global Cancer Annual Report gibt es weltweit schätzungsweise 18,1 Millionen neue Krebsfälle und 9,6 Millionen Krebstote. Auf 65 Menschen in unserem Land kommt 1 Krebspatient, was die häufigste Todesursache ist. Laut Statistiken der Weltgesundheitsorganisation sind die aktuellen Heilungsraten und Überlebensraten verschiedener Behandlungsmethoden für die Menschen nicht zufriedenstellend. Die Hauptgründe sind eine zu späte Diagnose, ein ungenaues Staging und eine unvollständige Behandlung. Da PET/CT Veränderungen des Zellstoffwechsels im Körper beobachten kann, ist es möglich, die Natur des Primärtumors des Tumors'sind (Unterscheidung von gut- und bösartigen Tumoren, Tumor-Staging und -Grading) vor strukturellen und morphologischen abzuklären Veränderungen, und ob systemische metastasierende Läsionen (systemische Zustände) vorliegen Bewertung), wie die Wirkung ist (einige Tage oder sogar Stunden nach der Strahlentherapie kann man den therapeutischen Effekt des Tumors beobachten, den Behandlungsplan rechtzeitig anpassen und den unvollständigen Zustand radikal heilen behandelte Läsion) usw. Darüber hinaus hat die PET/CT einzigartige Vorteile bei der Lokalisierung von Hirnepilepsie-Läsionen vor der Operation, der Identifizierung von Strahlennekrose und Rezidiven nach der Tumorbehandlung, der Klassifizierung von bösartigen Hirntumoren und neurologischen Erkrankungen.
Die Strahlung, die PET/CT-Scans mit sich bringen, macht die Menschen jedoch oft"abgelenkt". Die Strahlungsmenge bei einer PET/CT-Ganzkörperuntersuchung beträgt ca. 7,5 mSv. was ist dieses Konzept? In der Natur erhält der Mensch jedes Jahr ungefähr 2,4 mSv natürlicher Strahlung, sodass die Dosis der PET/CT-Untersuchung nicht vernachlässigt werden kann. Als Reaktion auf die Strahlendosisprobleme von Strahlung und Strahlung, die durch CT und injizierte PET-Radiopharmaka bei PET/CT-Scans verursacht werden, haben die Weltgesundheitsorganisation, die Internationale Radiologische Kommission und die Internationale Medizinphysik-Organisation Standards für die Qualitätssicherung der medizinischen Exposition und die Dosiskontrolle formuliert. und nachdrücklich befürwortet Strahlenexposition sollte dem ALARA-Prinzip (As Low As Reasonably Achievable) der praktischen Legitimität und des optimalen Schutzes folgen. Es wird erwartet, dass die besten diagnostischen Bilder mit der geringsten Strahlung und Strahlendosis erhalten werden können, während gleichzeitig die Kosten für PET/CT-Inspektionen und die Scanzeit reduziert werden.
Die Reduzierung des injizierten Radiotracers verstärkt jedoch das Poisson-Rauschen, das die Bildqualität, die Läsionserkennung und die quantitative Genauigkeit der PET beeinträchtigt. Bei der Niedrigdosis-Bildgebung werden viele wichtige Informationen unter dem erhöhten Rauschpegel untergehen. Durch Neugestaltung/Optimierung des Rekonstruktionsalgorithmus des Niedrigdosis-Scannens kann der beste Kompromiss zwischen Rauschpegel und Signalkonvergenz erreicht werden. Um die oben genannten Herausforderungen zu lösen, wurden viele Algorithmen und Technologien vorgeschlagen, die sich hauptsächlich in traditionelle Algorithmen und Deep-Learning-Algorithmen unterteilen lassen. Unter diesen umfassen die traditionellen Algorithmen hauptsächlich Nachrekonstruktionsverarbeitungs-/Filteralgorithmen, anatomische Führungsalgorithmen, statistische Modellierung im iterativen Rekonstruktionsprozess und Rauschentfernung und partielle Volumeneffektkorrektur unter Anleitung von MRT. Obwohl diese Verfahren versuchen, Rauschen und quantitative Fehler zu minimieren, gibt es immer noch Probleme mit räumlichem Auflösungsverlust und übermäßiger Glättung.
Deep-Learning-Algorithmen haben anerkannte Fähigkeiten bei der Lösung komplexer inverser Probleme, wie beispielsweise der Bildrekonstruktion aus Projektionen. Der Bildrekonstruktionsprozess von CT, PET und SPECT mit Deep-Learning-Technologie hat ungefähr die gleichen Methoden. Derzeit gibt es vier Hauptstrategien: Die erste Methode ist der Bild-zu-Bild-Lernprozess, dh der Bild-zu-Bild-Lernprozess wird im Bildraum durchgeführt. Bildkonvertierung, Training eines Netzwerkmodells, um die Bildqualität des rekonstruierten Bildes durch Rauschunterdrückung und Modellierung mit Superauflösung zu verbessern. Die zweite Methode ist der Sinogramm-zu-Sinogramm-Lernprozess, d. h. das Trainieren eines Deep-Learning-Modells im Projektionsbereich, um die Bildqualität des Sinogramms zu verbessern, um Empfindlichkeit und Abhängigkeit vom Rekonstruktionsalgorithmus zu vermeiden. Das dritte Verfahren ist der Sinogramm-zu-Bild-Lernprozess, d. h. das Erlernen der nichtlinearen Abbildungsbeziehung zwischen dem Projektionsbereich und dem Bildbereich durch das Netzwerkmodell, wobei der herkömmliche Rekonstruktionsalgorithmus vollständig entfernt wird und das Bild in einem Schritt erzeugt wird. Das vierte Verfahren kann als hybrides Domänenlernen bezeichnet werden. Durch die Verschmelzung von Rekonstruktionsalgorithmus und Deep Learning wird das Netzwerkmodell gleichzeitig im Projektionsbereich und im Bildbereich trainiert, um die optimale Lösung des Bildrekonstruktionsproblems zu realisieren.
Die derzeitige Industrie verwendet im Allgemeinen PET-Bildgebungsalgorithmen mit niedriger Dosis im Bildbereich, das heißt, nachdem die PET/CT-Ausrüstung das Bild ausgibt, wird die Bildqualität durch Bildnachbearbeitung verbessert. Aufgrund des großen Rauschens in PET-Bildern mit niedriger Dosis verbergen diese Rauschen viele feine Strukturen in PET-Bildern. Dieser technische Weg führt in der Regel zu Bildartefakten, quantitativen Fehlern und dem Verlust feiner Strukturen. Die traditionelle PET-Bildgebung hat beim Rekonstruktionsprozess viele Informationen verloren. Es ist äußerst schwierig, die verlorenen Informationen nur durch Verarbeitung des Bildes in der späteren Stufe wiederherzustellen, und es ist schwierig, die endgültige Bildqualität zu verbessern. Um das Problem der Bildqualität an der Quelle zu lösen, haben einige Mediziner und Labore innovativ Deep-Learning-Algorithmen entwickelt, die auf PET-Rohdaten und rekonstruierten Bildern basieren (die vierte Art des hybriden Domänenlernens). Der Algorithmus bettet die KI tief in den PET-Bildrekonstruktionsprozess ein und verwendet Deep Learning, um die Informationen in den Originaldaten zu ermitteln. Durch die Kombination des physikalischen Modells der PET-Rekonstruktion wird das Verarbeitungsobjekt direkt zu den Originaldaten im Bildgebungsgerät weitergeleitet, und der Rekonstruktionsalgorithmus wird unterstützt, um die Qualität des rekonstruierten Bildes zu verbessern, was den Verlust effektiver Informationen erheblich reduziert, so dass um klarere PET-Bilder zu erhalten und stärker Die Fähigkeit, kleine Läsionen zu erkennen.
