PET/CT to urządzenie medycyny nuklearnej, które doskonale integruje systemy PET i CT. PET dostarcza szczegółowych informacji molekularnych na temat funkcji i metabolizmu zmiany, podczas gdy CT zapewnia precyzyjne anatomiczne umiejscowienie zmiany, a jednorazowe obrazowanie umożliwia uzyskanie obrazów tomograficznych całego ciała. W porównaniu z niezależnymi PET i CT, PET/CT może znacznie poprawić czułość, dokładność, swoistość i dokładność pozycjonowania diagnozy. Potrafi na pierwszy rzut oka zrozumieć ogólny stan całego organizmu i osiągnąć cel wczesnego wykrywania zmian i diagnozowania chorób. Stosowany jest głównie do wczesnego wykrywania i diagnozowania głównych chorób guzów, mózgu i serca.
Według dużych danych Global Cancer Annual Report opublikowanych w 2018 r., szacuje się, że na całym świecie jest 18,1 miliona nowych przypadków raka i 9,6 miliona zgonów z powodu raka. Na 65 osób w naszym kraju przypada 1 chory na raka, co jest główną przyczyną zgonów. Według statystyk Światowej Organizacji Zdrowia obecne wskaźniki wyleczeń i przeżywalności różnych metod leczenia nie są dla ludzi satysfakcjonujące. Głównymi przyczynami są zbyt późna diagnoza, niedokładna ocena stopnia zaawansowania i niepełne leczenie. Ponieważ PET/CT może obserwować zmiany w metabolizmie komórek w organizmie, możliwe jest wyjaśnienie charakteru guza pierwotnego' (różnicowanie guzów łagodnych i złośliwych, zaawansowanie i stopniowanie guza) przed strukturalnym i zmiany, czy występują ogólnoustrojowe zmiany przerzutowe (stany ogólnoustrojowe) Ocena), jaki jest efekt (kilka dni lub nawet godzin po radioterapii można zaobserwować efekt terapeutyczny guza, dostosować plan leczenia w czasie i radykalnie wyleczyć niepełne leczonej zmiany), itp. Ponadto PET/CT ma wyjątkowe zalety w lokalizacji zmian padaczkowych mózgu przed operacją, identyfikacji martwicy popromiennej i nawrotów po leczeniu nowotworu, klasyfikacji nowotworów złośliwych mózgu i chorób neurologicznych.
Jednak promieniowanie wywołane skanami PET/CT często powoduje, że ludzie"rozproszeni". Ilość promieniowania pobrana w badaniu PET/CT całego ciała wynosi około 7,5 mSv. co to za koncepcja? W naturze człowiek co roku otrzymuje około 2,4 mSv naturalnego promieniowania, więc nie można pominąć dawki badania PET/CT. W odpowiedzi na problemy związane z dawką promieniowania i promieniowaniem powodowanym przez CT i wstrzykiwane radiofarmaceutyki PET w skanach PET/CT, Światowa Organizacja Zdrowia, Międzynarodowa Komisja Radiologiczna i Międzynarodowa Organizacja Fizyki Medycznej sformułowały standardy zapewniania jakości narażenia medycznego i kontroli dawki, i zdecydowanie zalecana ekspozycja na promieniowanie powinna być zgodna z zasadą ALARA (na jak najniższym możliwym poziomie) praktycznej legitymacji i optymalnej ochrony. Oczekuje się, że najlepsze obrazy diagnostyczne można uzyskać przy najmniejszej dawce promieniowania i promieniowania, przy jednoczesnym obniżeniu kosztów badań PET/CT i skróceniu czasu skanowania.
Jednak zmniejszenie wstrzykiwanego radioznacznika wzmocni szum Poissona, co wpłynie na jakość obrazu, wykrywanie zmian i dokładność ilościową PET. W obrazowaniu niskodawkowym wiele kluczowych informacji zostanie zanurzonych pod zwiększonym poziomem szumu. Poprzez przeprojektowanie/optymalizację algorytmu rekonstrukcji skanowania niskodawkowego można osiągnąć najlepszy kompromis między poziomem szumu a zbieżnością sygnału. W celu rozwiązania powyższych wyzwań zaproponowano wiele algorytmów i technologii, które można podzielić głównie na algorytmy tradycyjne oraz algorytmy głębokiego uczenia. Wśród nich tradycyjne algorytmy obejmują głównie algorytmy przetwarzania/filtrowania po rekonstrukcji, algorytmy prowadzenia anatomicznego, modelowanie statystyczne w procesie rekonstrukcji iteracyjnej oraz usuwanie szumów i korekcję efektu objętości cząstkowej pod kierunkiem MRI. Chociaż metody te starają się minimalizować szumy i błędy ilościowe, nadal występują problemy z utratą rozdzielczości przestrzennej i nadmiernym wygładzaniem.
Algorytmy głębokiego uczenia doceniły możliwości rozwiązywania złożonych problemów odwrotnych, takich jak rekonstrukcja obrazu z projekcji. Proces rekonstrukcji obrazu CT, PET i SPECT przy użyciu technologii głębokiego uczenia przebiega mniej więcej w ten sam sposób. Obecnie istnieją cztery główne strategie: Pierwsza metoda to proces uczenia się z obrazu na obraz, czyli proces uczenia się z obrazu na obraz odbywa się w przestrzeni obrazu. Konwersja obrazu, trenowanie modelu sieci w celu poprawy jakości zrekonstruowanego obrazu poprzez odszumianie i modelowanie w super rozdzielczości. Drugą metodą jest proces uczenia sinogram-to-sinogram, czyli uczenie modelu głębokiego uczenia w domenie projekcyjnej w celu poprawy jakości obrazu sinogramu, aby uniknąć wrażliwości i zależności od algorytmu rekonstrukcji. Trzecią metodą jest proces uczenia sinogram-to-image, czyli uczenie się nieliniowej relacji odwzorowania między domeną projekcji a domeną obrazu za pomocą modelu sieciowego, całkowicie usuwając tradycyjny algorytm rekonstrukcji i generując obraz w jednym kroku. Czwartą metodę można nazwać uczeniem w domenie hybrydowej. Dzięki połączeniu algorytmu rekonstrukcji i głębokiego uczenia model sieci jest jednocześnie szkolony w domenie projekcji i domenie obrazu, aby zrealizować optymalne rozwiązanie problemu rekonstrukcji obrazu.
Obecny przemysł na ogół stosuje algorytmy obrazowania PET o małej dawce w dziedzinie obrazu, co oznacza, że po tym, jak sprzęt PET/CT wygeneruje obraz, jakość obrazu jest poprawiana poprzez obróbkę końcową obrazu. Ze względu na duży szum w obrazach PET o małej dawce, szumy te ukrywają wiele drobnych struktur na obrazach PET. Ta droga techniczna zwykle prowadzi do artefaktów obrazu, błędów ilościowych i utraty drobnych struktur. Tradycyjne obrazowanie PET straciło wiele informacji w procesie rekonstrukcji. Niezwykle trudno jest odzyskać utracone informacje jedynie poprzez obróbkę obrazu w późniejszym etapie i trudno jest poprawić ostateczną jakość obrazu. Aby rozwiązać problem jakości obrazu ze źródła, niektóre placówki medyczne i laboratoria opracowały w innowacyjny sposób algorytmy głębokiego uczenia oparte na surowych danych PET i zrekonstruowanych obrazach (czwarty rodzaj uczenia domeny hybrydowej). Algorytm głęboko osadza sztuczną inteligencję w procesie rekonstrukcji obrazu PET i wykorzystuje głębokie uczenie do wydobywania informacji z oryginalnych danych. Łącząc fizyczny model rekonstrukcji PET, przetwarzany obiekt jest bezpośrednio przenoszony do oryginalnych danych wewnątrz urządzenia do obrazowania, a algorytm rekonstrukcji wspomagany jest w celu poprawy jakości rekonstruowanego obrazu, co znacznie zmniejsza utratę efektywnych informacji, tak jak aby uzyskać wyraźniejsze i mocniejsze obrazy PET Zdolność do wykrywania małych zmian.
