PET/CT je zariadenie nukleárnej medicíny, ktoré dokonale integruje systémy PET a CT. PET poskytuje podrobné molekulárne informácie o funkcii a metabolizme lézie, zatiaľ čo CT poskytuje presné anatomické umiestnenie lézie a jednorazovým zobrazením je možné získať tomografické snímky celého tela. V porovnaní s nezávislými PET a CT môže PET/CT významne zlepšiť citlivosť, presnosť, špecifickosť a presnosť polohovania diagnostiky. Na prvý pohľad dokáže porozumieť celkovému stavu celého tela a dosiahnuť účel včasnej detekcie lézií a diagnostiky chorôb. Používa sa hlavne na včasnú detekciu a diagnostiku závažných chorôb v nádorových, mozgových a srdcových poliach.
Podľa veľkých údajov globálnej výročnej správy o rakovine zverejnenej v roku 2018 je na celom svete odhadom 18,1 milióna nových prípadov rakoviny a 9,6 milióna úmrtí na rakovinu. Na každých 65 ľudí v našej krajine pripadá 1 onkologický pacient, čo je hlavnou príčinou úmrtí. Podľa štatistík Svetovej zdravotníckej organizácie súčasné miery vyliečenia a prežitia rôznych liečebných metód nie sú pre ľudí uspokojivé. Hlavnými dôvodmi sú to, že diagnóza je príliš neskorá, štádium je nepresné a liečba je neúplná. Pretože PET/CT môže pozorovať zmeny v metabolizme buniek v tele, je možné objasniť povahu primárneho nádoru nádoru' zmeny a či existujú systémové metastatické lézie (systémové stavy), vyhodnotenie), aký je účinok (niekoľko dní alebo dokonca hodín po rádioterapii je možné pozorovať terapeutický účinok nádoru, včas upraviť plán liečby a radikálne vyliečiť neúplne liečená lézia) atď. Okrem toho má PET/CT jedinečné výhody v lokalizácii lézií mozgovej epilepsie pred chirurgickým zákrokom, identifikácii radiačnej nekrózy a recidívy po liečbe nádoru, klasifikácii malignity mozgových nádorov a neurologických ochorení.
Žiarenie vyvolané PET/CT skenmi však často spôsobuje, že ľudia sú rozptýlení &. Množstvo žiarenia odobratého pri PET/CT vyšetrení celého tela je asi 7,5 mSv. čo je to za koncept? V prírode dostane človek každý rok približne 2,4 mSv prirodzeného žiarenia, takže dávku vyšetrenia PET/CT nemožno ignorovať. V reakcii na problémy s radiačnou dávkou žiarenia a žiarenia spôsobeného CT a injekčne podávanými PET rádiofarmakami v PET/CT skenoch, Svetová zdravotnícka organizácia, Medzinárodná rádiologická komisia a Medzinárodná organizácia pre lekársku fyziku sformulovali štandardy zabezpečenia kvality lekárskej expozície a štandardy kontroly dávky, a dôrazne obhajuje Vystavenie sa žiareniu by sa malo riadiť zásadou praktickej legitimity a optimálnej ochrany ALARA (tak nízke, ako je to primerane dosiahnuteľné). Očakáva sa, že najlepšie diagnostické snímky je možné získať s najmenšou dávkou žiarenia a žiarenia, pričom sa ďalej znížia náklady na kontroly PET/CT a skráti sa čas skenovania.
Zníženie vstreknutého rádioaktívneho značkovača však zosilní Poissonov šum, čo ovplyvní kvalitu obrazu, detekciu lézií a kvantitatívnu presnosť PET. Pri zobrazovaní v nízkych dávkach bude mnoho kľúčových informácií ponorených pod zvýšenú hladinu hluku. Prepracovaním/optimalizáciou algoritmu rekonštrukcie skenovania s nízkymi dávkami je možné dosiahnuť najlepší kompromis medzi úrovňou šumu a konvergenciou signálu. Na vyriešenie vyššie uvedených problémov bolo navrhnutých mnoho algoritmov a technológií, ktoré je možné rozdeliť hlavne na tradičné algoritmy a algoritmy hlbokého učenia. Medzi nimi tradičné algoritmy zahŕňajú predovšetkým algoritmy spracovania/filtrácie po rekonštrukcii, algoritmy anatomického navádzania, štatistické modelovanie v procese iteratívnej rekonštrukcie a odstránenie šumu a korekcia účinku čiastočného objemu pod vedením MRI. Aj keď sa tieto metódy pokúšajú minimalizovať šum a kvantitatívne chyby, stále existujú problémy so stratou priestorového rozlíšenia a nadmerným vyhladzovaním.
Algoritmy hlbokého učenia majú uznávané schopnosti pri riešení zložitých inverzných problémov, ako je napríklad rekonštrukcia obrazu z projekcií. Proces rekonštrukcie obrazu CT, PET a SPECT pomocou technológie hlbokého učenia má zhruba rovnaké metódy. V súčasnosti existujú štyri hlavné stratégie: Prvá metóda je proces učenia sa z obrazu do obrazu, to znamená, že proces učenia sa z obrazu do obrazu sa vykonáva v obrazovom priestore. Konverzia obrazu, školenie sieťového modelu na zlepšenie kvality obrazu rekonštruovaného obrazu prostredníctvom odstraňovania šumu a modelovania v super rozlíšení. Druhou metódou je proces učenia sa sinogramu na sinogramu, to znamená školenie modelu hlbokého učenia v oblasti projekcie na zlepšenie kvality obrazu sinogramu, aby sa zabránilo citlivosti a závislosti od rekonštrukčného algoritmu. Treťou metódou je proces učenia sa sinogramu k obrazu, to znamená naučiť sa nelineárny vzťah mapovania medzi projekčnou doménou a obrazovou doménou prostredníctvom sieťového modelu, úplne odstrániť tradičný algoritmus rekonštrukcie a generovať obraz v jednom kroku. Štvrtú metódu možno nazvať učenie hybridnej domény. Spojením algoritmu rekonštrukcie a hĺbkového učenia sa sieťový model trénuje v projekčnej doméne a obrazovej doméne súčasne, aby sa dosiahlo optimálne riešenie problému rekonštrukcie obrazu.
Súčasný priemysel spravidla používa nízkodávkové zobrazovacie algoritmy PET v obrazovej doméne, to znamená, že potom, čo zariadenie PET/CT vydá obraz, sa kvalita obrazu zvýši následným spracovaním obrazu. Vzhľadom na veľký šum v nízko dávkových PET obrazoch tieto zvuky skrývajú mnoho jemných štruktúr v PET obrazoch. Táto technická cesta zvyčajne vedie k artefaktom obrazu, kvantitatívnym chybám a strate jemných štruktúr. Tradičné zobrazovanie PET stratilo v procese rekonštrukcie veľa informácií. Obnovenie stratených informácií iba spracovaním obrazu v neskoršej fáze je mimoriadne ťažké a je ťažké zlepšiť konečnú kvalitu obrazu. Aby sa vyriešil problém kvality obrazu zo zdroja, niektoré lekárske a laboratórne laboratóriá inovatívne vyvinuli algoritmy hlbokého učenia založené na pôvodných údajoch PET a zrekonštruovaných obrázkoch (štvrtý typ učenia sa hybridnej domény). Algoritmus hlboko integruje AI do procesu rekonštrukcie PET obrazu a využíva hlboké učenie na ťažbu informácií v pôvodných údajoch. Kombináciou fyzického modelu rekonštrukcie PET sa objekt spracovania priamo presunie k pôvodným údajom vo vnútri zobrazovacieho zariadenia a algoritmu rekonštrukcie sa pomôže zlepšiť kvalitu rekonštruovaného obrazu, čo výrazne znižuje stratu efektívnych informácií, takže na získanie jasnejších a silnejších PET snímok Schopnosť detekovať malé lézie.
