Mit kell tudnunk a PET/CT -ről?
A PET/CT egy nukleáris gyógyászati eszköz, amely tökéletesen integrálja a PET és CT rendszereket. A PET részletes molekuláris információkat nyújt az elváltozás működéséről és anyagcseréjéről, míg a CT a lézió pontos anatómiai elhelyezkedését, az egyszeri képalkotás pedig az egész test tomográfiai képeit kaphatja meg. A független PET -hez és CT -hez képest a PET/CT jelentősen javíthatja a diagnózis érzékenységét, pontosságát, specificitását és helymeghatározási pontosságát. Egy pillantással megértheti az egész test általános állapotát, és elérheti a sérülések korai felismerésének és a betegségek diagnosztizálásának célját. Elsősorban a daganatos, agyi és szívmegelőző betegségek korai felismerésére és diagnosztizálására használják.
A 2018 -ban közzétett Global Cancer éves jelentés nagy adatai szerint becslések szerint 18,1 millió új rákos esetet és 9,6 millió rákos halálesetet regisztrálnak világszerte. Hazánkban minden 65 emberből 1 rákbeteg van, ami a vezető halálok. Az Egészségügyi Világszervezet statisztikái szerint a különböző gyógymódok jelenlegi gyógyulási aránya és túlélési aránya nem kielégítő az emberek számára. Ennek fő oka az, hogy a diagnózis túl késő, a stádium pontatlan és a kezelés nem teljes. Mivel a PET/CT képes megfigyelni a sejtek anyagcseréjében bekövetkező változásokat a szervezetben, tisztázható a daganat' elsődleges daganatának jellege (jóindulatú és rosszindulatú daganatok differenciálódása, daganat stádiuma és osztályozása), mielőtt strukturális és morfológiai változások, és hogy vannak -e szisztémás áttétes elváltozások (szisztémás állapotok) Értékelés), a hatás milyen (néhány nappal vagy akár órával a sugárterápia után megfigyelheti a daganat terápiás hatását, időben módosíthatja a kezelési tervet, és radikálisan meggyógyíthatja a hiányos betegséget) Ezenkívül a PET/CT egyedülálló előnyökkel rendelkezik az agyi epilepsziás elváltozások műtét előtti lokalizációjában, a sugárelhalás és a daganatkezelés utáni kiújulás azonosításában, az agydaganat rosszindulatú daganatainak és neurológiai betegségeknek a besorolásában.
A PET/CT -vizsgálatok által kibocsátott sugárzás azonban gyakran az embereket&"zavarja &". A PET/CT teljes test vizsgálat során vett sugárzás mennyisége körülbelül 7,5 mSv. mi ez a fogalom? A természetben az emberek évente körülbelül 2,4 mSv természetes sugárzást kapnak, ezért a PET/CT vizsgálat dózisát nem lehet figyelmen kívül hagyni. A CT és a befecskendezett PET radiofarmakonok által PET/CT -vizsgálatban okozott sugárzás és sugárzás sugárzási dózisaival kapcsolatos problémákra válaszul az Egészségügyi Világszervezet, a Nemzetközi Radiológiai Bizottság és a Nemzetközi Orvosi Fizikai Szervezet megfogalmazta az orvosi expozíció minőségbiztosítási és dózis -ellenőrzési szabványait, és az erősen javasolt sugárzásnak való kitettségnek követnie kell a gyakorlati legitimitás és az optimális védelem ALARA (As Low As Reasonably Achievable) elvét. Várhatóan a legjobb diagnosztikai képeket lehet elérni a legkisebb sugárzással és sugárzási dózissal, miközben tovább csökkennek a PET/CT vizsgálatok költségei és csökken a szkennelési idő.
A befecskendezett radiotracer csökkentése azonban felerősíti a Poisson -zajt, ami befolyásolja a PET képminőségét, elváltozás észlelését és mennyiségi pontosságát. Az alacsony dózisú képalkotás során sok kulcsfontosságú információ merül a megnövekedett zajszint alá. Az alacsony dózisú szkennelés rekonstrukciós algoritmusának újratervezésével/optimalizálásával a legjobb kompromisszum érhető el a zajszint és a jelkonvergencia között. A fent említett kihívások megoldása érdekében számos algoritmust és technológiát javasoltak, amelyek főleg hagyományos algoritmusokra és mélytanulási algoritmusokra oszthatók. Közülük a hagyományos algoritmusok főként a rekonstrukció utáni feldolgozási/szűrési algoritmusokat, anatómiai irányítási algoritmusokat, statisztikai modellezést tartalmaznak az iteratív rekonstrukciós folyamatban, valamint zajszűrést és részleges hangerő-hatás korrekciót az MRI irányítása alatt. Bár ezek a módszerek megpróbálják minimalizálni a zajt és a mennyiségi hibákat, még mindig vannak problémák a térbeli felbontás csökkenésével és a túlzott simítással.
A mély tanulási algoritmusok felismert képességekkel rendelkeznek az összetett inverz problémák megoldására, mint például a képek rekonstrukciója a vetületekből. A CT, a PET és a SPECT képi rekonstrukciós folyamata mély tanulási technológiát alkalmazva nagyjából azonos módszerekkel rendelkezik. Jelenleg négy fő stratégia létezik: Az első módszer a kép-kép tanulási folyamat, vagyis a kép-kép tanulási folyamatot a képi térben hajtják végre. Képkonvertálás, hálózati modell betanítása a rekonstruált kép képminőségének javítására denoising és szuperfelbontású modellezés révén. A második módszer a szinogram-szinogram tanulási folyamat, azaz mély tanulási modell betanítása a vetítési tartományba a szinogram képminőségének javítása érdekében, hogy elkerülhető legyen az érzékenység és a rekonstrukciós algoritmustól való függőség. A harmadik módszer a szinogram-kép tanulási folyamat, vagyis a vetítési tartomány és a képtartomány közötti nemlineáris leképezési kapcsolat megtanulása a hálózati modell segítségével, a hagyományos rekonstrukciós algoritmus teljes eltávolítása és a kép létrehozása egy lépésben. A negyedik módszer nevezhető hibrid domain tanulásnak. A rekonstrukciós algoritmus és a mély tanulás összeolvasztásával a hálózati modellt egyszerre képzik a vetítési tartományban és a képtartományban, hogy megvalósítsák a képrekonstrukciós probléma optimális megoldását.
A jelenlegi iparág általában alacsony dózisú PET-képalkotó algoritmusokat használ a képtartományban, vagyis miután a PET/CT berendezés kimeneti a képet, a képminőség javul a kép utólagos feldolgozása révén. Az alacsony dózisú PET-képek nagy zaja miatt ezek a zajok sok finom struktúrát rejtenek a PET-képeken. Ez a technikai út rendszerint képhibákhoz, mennyiségi hibákhoz és finom szerkezetek elvesztéséhez vezet. A hagyományos PET -képalkotás sok információt veszített el a rekonstrukciós folyamatban. Rendkívül nehéz helyreállítani az elveszett információkat csak a kép későbbi feldolgozásával, és nehéz javítani a végső képminőséget. A képminőség problémájának forrásból történő megoldása érdekében néhány orvosi és laboratórium innovatív módon kifejlesztett mélytanulási algoritmusokat, amelyek PET nyers adatokon és rekonstruált képeken alapulnak (a hibrid tartományok tanulásának negyedik típusa). Az algoritmus mélyen beépíti az AI -t a PET képrekonstrukciós folyamatba, és mély tanulást használ az eredeti adatok információinak kitermeléséhez. A PET rekonstrukció fizikai modelljének kombinálásával a feldolgozó objektum közvetlenül a képalkotó eszközön belüli eredeti adatokhoz jut, és a rekonstrukciós algoritmus segíti a rekonstruált kép minőségének javítását, ami nagymértékben csökkenti a hatékony információk elvesztését. hogy tisztább és erősebb PET -képeket kapjunk A kis léziók észlelésének képessége.
