O que precisamos saber sobre PET / CT?
PET / CT é um dispositivo de medicina nuclear que integra perfeitamente os sistemas PET e CT. O PET fornece informações moleculares detalhadas sobre a função e o metabolismo da lesão, enquanto a TC fornece o posicionamento anatômico preciso da lesão e a imagem única pode obter imagens tomográficas de todo o corpo. Comparado com PET e CT independentes, PET / CT pode melhorar significativamente a sensibilidade, precisão, especificidade e precisão de posicionamento do diagnóstico. Ele pode compreender o estado geral de todo o corpo em um piscar de olhos e atingir o objetivo de detecção precoce de lesões e diagnóstico de doenças. É usado principalmente para detecção e diagnóstico precoce das principais doenças nos campos tumoral, cerebral e cardíaco.
De acordo com os grandes dados do Relatório Anual do Câncer Global divulgado em 2018, há cerca de 18,1 milhões de novos casos de câncer e 9,6 milhões de mortes por câncer em todo o mundo. Há 1 paciente com câncer em cada 65 pessoas em nosso país, que é a principal causa de morte. De acordo com estatísticas da Organização Mundial de Saúde, as atuais taxas de cura e sobrevivência de vários métodos de tratamento não são satisfatórias para as pessoas. Os principais motivos são que o diagnóstico é tardio, o estadiamento é impreciso e o tratamento é incompleto. Como a PET / CT pode observar mudanças no metabolismo celular do corpo, é possível esclarecer a natureza do tumor primário do tumor' (diferenciação de tumores benignos e malignos, estadiamento e graduação do tumor) antes estrutural e morfológico alterações, e se há lesões metastáticas sistêmicas (condições sistêmicas) Avaliação), como é o efeito (alguns dias ou mesmo horas após a radioterapia pode observar o efeito terapêutico do tumor, ajustar o plano de tratamento a tempo e curar radicalmente o incompleto lesão tratada), etc. Além disso, o PET / CT tem vantagens únicas na localização de lesões de epilepsia cerebral antes da cirurgia, na identificação de necrose por radiação e recorrência após o tratamento do tumor, na classificação da malignidade do tumor cerebral e em doenças neurológicas.
No entanto, a radiação trazida pelos exames PET / CT muitas vezes torna as pessoas&"distraídas &". A quantidade de radiação obtida em um exame PET / CT de corpo inteiro é de cerca de 7,5 mSv. qual é esse conceito? Na natureza, os humanos recebem aproximadamente 2,4mSv de radiação natural a cada ano, portanto, a dose do exame PET / CT não pode ser ignorada. Em resposta aos problemas de dose de radiação de radiação e radiação causados por CT e radiofármacos PET injetados em exames PET / CT, a Organização Mundial da Saúde, a Comissão Radiológica Internacional e a Organização Internacional de Física Médica formularam padrões de controle de dose e garantia de qualidade de exposição médica, e a exposição à radiação fortemente defendida deve seguir o princípio ALARA (tão baixo quanto razoavelmente possível) de legitimidade prática e proteção ideal. Espera-se que as melhores imagens diagnósticas possam ser obtidas com a menor radiação e dose de radiação, reduzindo ainda mais o custo das inspeções PET / CT e reduzindo o tempo de varredura.
No entanto, reduzir o radiotraçador injetado amplificará o ruído de Poisson, que afetará a qualidade da imagem, a detecção de lesões e a precisão quantitativa do PET. Na geração de imagens de baixa dose, muitas informações importantes ficarão submersas sob o aumento do nível de ruído. Ao redesenhar / otimizar o algoritmo de reconstrução de varredura de baixa dose, o melhor compromisso entre o nível de ruído e a convergência do sinal pode ser alcançado. A fim de resolver os desafios acima mencionados, muitos algoritmos e tecnologias têm sido propostos, os quais podem ser divididos principalmente em algoritmos tradicionais e algoritmos de aprendizado profundo. Entre eles, os algoritmos tradicionais incluem principalmente algoritmos de filtragem / processamento pós-reconstrução, algoritmos de orientação anatômica, modelagem estatística no processo de reconstrução iterativa e remoção de ruído e correção de efeito de volume parcial sob a orientação de MRI. Embora esses métodos tentem minimizar o ruído e erros quantitativos, ainda existem problemas com perda de resolução espacial e suavização excessiva.
Algoritmos de aprendizado profundo têm capacidades reconhecidas na solução de problemas inversos complexos, como reconstrução de imagem a partir de projeções. O processo de reconstrução de imagens de CT, PET e SPECT usando tecnologia de aprendizado profundo tem aproximadamente os mesmos métodos. Atualmente, existem quatro estratégias principais: O primeiro método é o processo de aprendizagem imagem a imagem, ou seja, o processo de aprendizagem imagem a imagem é realizado no espaço da imagem. Conversão de imagem, treinando um modelo de rede para melhorar a qualidade da imagem reconstruída por meio de denoising e modelagem de super-resolução. O segundo método é o processo de aprendizado de sinograma a sinograma, ou seja, treinar um modelo de aprendizado profundo no domínio da projeção para melhorar a qualidade da imagem do sinograma e evitar sensibilidade e dependência do algoritmo de reconstrução. O terceiro método é o processo de aprendizagem do sinograma para imagem, ou seja, aprender a relação de mapeamento não linear entre o domínio da projeção e o domínio da imagem por meio do modelo de rede, removendo completamente o algoritmo de reconstrução tradicional e gerando a imagem em uma única etapa. O quarto método pode ser chamado de aprendizado de domínio híbrido. Ao fundir o algoritmo de reconstrução e o aprendizado profundo, o modelo de rede é treinado no domínio da projeção e no domínio da imagem ao mesmo tempo para realizar a solução ótima do problema de reconstrução da imagem.
A indústria atual geralmente usa algoritmos de imagem PET de baixa dose no domínio da imagem, ou seja, após o equipamento PET / CT emitir a imagem, a qualidade da imagem é melhorada por meio do pós-processamento da imagem. Devido ao grande ruído em imagens de PET de baixa dose, esses ruídos ocultam muitas estruturas finas em imagens de PET. Essa rota técnica geralmente leva a artefatos de imagem, erros quantitativos e perda de estruturas finas. A imagem PET tradicional perdeu muitas informações no processo de reconstrução. É extremamente difícil recuperar as informações perdidas apenas processando a imagem no estágio posterior e é difícil melhorar a qualidade da imagem final. A fim de resolver o problema da qualidade da imagem da fonte, alguns médicos e laboratórios desenvolveram de forma inovadora algoritmos de aprendizado profundo baseados em dados brutos PET e imagens reconstruídas (o quarto tipo de aprendizado de domínio híbrido). O algoritmo incorpora profundamente a IA no processo de reconstrução da imagem PET e usa aprendizado profundo para extrair as informações dos dados originais. Ao combinar o modelo físico de reconstrução PET, o objeto de processamento é avançado diretamente para os dados originais dentro do dispositivo de imagem e o algoritmo de reconstrução é auxiliado para melhorar a qualidade da imagem reconstruída, o que reduz bastante a perda de informação efetiva, de modo que para obter imagens PET mais claras e mais fortes A capacidade de detectar pequenas lesões.
