Mida me peame teadma PET/CT kohta?
PET/CT on tuumameditsiiniseade, mis integreerib ideaalselt PET- ja CT -süsteemid. PET annab üksikasjalikku molekulaarset teavet kahjustuse funktsiooni ja ainevahetuse kohta, samas kui CT tagab kahjustuse täpse anatoomilise positsioneerimise ja ühekordse pildistamisega saab kogu keha tomograafilisi pilte. Võrreldes sõltumatute PET -ide ja CT -ga võib PET/CT oluliselt parandada diagnoosi tundlikkust, täpsust, spetsiifilisust ja positsioneerimistäpsust. See suudab lühidalt mõista kogu keha üldist seisundit ja saavutada kahjustuste varajase avastamise ja haiguste diagnoosimise eesmärgi. Seda kasutatakse peamiselt kasvajate, aju- ja südameväljade peamiste haiguste varaseks avastamiseks ja diagnoosimiseks.
2018. aastal avaldatud ülemaailmse vähiaasta aruande suurandmete kohaselt on kogu maailmas hinnanguliselt 18,1 miljonit uut vähijuhtumit ja 9,6 miljonit vähisurma. Meie riigis on üks vähihaige iga 65 inimese kohta, mis on peamine surmapõhjus. Maailma Terviseorganisatsiooni statistika kohaselt ei ole praegused ravimeetodid ja erinevate ravimeetodite ellujäämismäärad inimestele rahuldavad. Peamised põhjused on, et diagnoos on liiga hilja, lavastus on ebatäpne ja ravi on puudulik. Kuna PET/CT võib jälgida muutusi rakkude ainevahetuses organismis, on võimalik enne struktuurset ja morfoloogilist selgitada kasvaja' esmase kasvaja olemust (healoomuliste ja pahaloomuliste kasvajate eristamine, kasvaja staadiumid ja liigitused). muutused ja kas esineb süsteemseid metastaatilisi kahjustusi (süsteemsed seisundid) hindamine), kuidas toime avaldub (mõni päev või isegi tund pärast kiiritusravi võib täheldada kasvaja terapeutilist toimet, kohandada raviplaani õigeaegselt ja ravida radikaalselt mittetäielikult) Lisaks on PET/CT -l ainulaadseid eeliseid aju epilepsiakahjustuste lokaliseerimisel enne operatsiooni, kiiritusekroosi ja kordumise tuvastamisel pärast kasvajaravi, ajukasvaja pahaloomulise kasvaja klassifikatsiooni ja neuroloogilisi haigusi.
Kuid PET/CT -skaneeringutega kaasnev kiirgus muudab inimesed sageli&"hajameelseks &". Kogu keha PET/CT uuringus võetud kiirguse kogus on umbes 7,5 mSv. mis see kontseptsioon on? Looduses saavad inimesed igal aastal ligikaudu 2,4 mSv looduslikku kiirgust, seega ei saa ignoreerida PET/CT uuringu annust. Vastuseks CT ja süstitud PET -i radiofarmatseutiliste ravimite poolt põhjustatud kiirguse ja kiirguse kiirgusdoosiprobleemidele PET/CT -skaneeringutes on Maailma Terviseorganisatsioon, Rahvusvaheline Radioloogiakomisjon ja Rahvusvaheline Meditsiinifüüsika Organisatsioon koostanud meditsiinilise kokkupuute kvaliteedi tagamise ja annuse kontrolli standardid, ja tungivalt soovitatud kiirgusega kokkupuude peaks järgima praktilise legitiimsuse ja optimaalse kaitse ALARA (nii madal kui mõistlikult saavutatav) põhimõtet. Eeldatakse, et parimaid diagnostilisi pilte on võimalik saada väikseima kiirgus- ja kiirgusdoosiga, vähendades samal ajal PET/CT kontrollide kulusid ja vähendades skaneerimisaega.
Süstitud radiotraceri vähendamine võimendab aga Poissoni müra, mis mõjutab pildikvaliteeti, kahjustuste tuvastamist ja PET -i kvantitatiivset täpsust. Väikeste annuste pildistamisel sukeldatakse kõrgem müratase alla palju põhiteavet. Väikese doosiga skaneerimise rekonstrueerimisalgoritmi ümber kujundades/optimeerides on võimalik saavutada parim kompromiss müratase ja signaali ühtlustamise vahel. Eespool nimetatud väljakutsete lahendamiseks on välja pakutud palju algoritme ja tehnoloogiaid, mida saab jagada peamiselt traditsioonilisteks ja süvaõppe algoritmideks. Nende hulka kuuluvad traditsioonilised algoritmid peamiselt rekonstrueerimisjärgse töötlemise/filtreerimise algoritmid, anatoomilised juhtimisalgoritmid, statistiline modelleerimine iteratiivses rekonstrueerimisprotsessis ning müra eemaldamine ja osalise helitugevuse korrigeerimine MRI juhendamisel. Kuigi need meetodid püüavad minimeerida müra ja kvantitatiivseid vigu, on siiski probleeme ruumilise eraldusvõime kadumisega ja liigse silumisega.
Süvaõppe algoritmidel on tunnustatud võimalused keerukate pöördprobleemide lahendamiseks, näiteks kujutiste rekonstrueerimine projektsioonidest. CT, PET ja SPECT kujutise rekonstrueerimisprotsessis, kasutades süvaõppe tehnoloogiat, on ligikaudu samad meetodid. Praegu on neli peamist strateegiat: Esimene meetod on pilt-pilt-õppeprotsess, see tähendab, et pilt-pilt-õppeprotsess viiakse läbi pildiruumis. Pildi teisendamine, võrgumudeli koolitamine rekonstrueeritud kujutise pildikvaliteedi parandamiseks denonsseerimise ja üliresolutsiooniga modelleerimise kaudu. Teine meetod on sinogramm-sinogrammide õppimisprotsess, see tähendab sügava õppimismudeli koolitamine projektsioonivaldkonnas, et parandada sinogrammi pildikvaliteeti, et vältida tundlikkust ja sõltuvust rekonstrueerimisalgoritmist. Kolmas meetod on sinogrammi-pildi õppimisprotsess, see tähendab projektsioonidomeeni ja pildidomeeni vahelise mittelineaarse kaardistussuhte õppimine võrgumudeli kaudu, traditsioonilise rekonstrueerimisalgoritmi täielik eemaldamine ja pildi genereerimine ühe sammuga. Neljandat meetodit võib nimetada hübriiddomeenide õppimiseks. Rekonstrueerimisalgoritmi ja sügava õppimise sulandamisega treenitakse võrgumudelit korraga projektsioonipiirkonnas ja pildidomeenis, et realiseerida kujutise rekonstrueerimise probleemi optimaalne lahendus.
Praegune tööstus kasutab pildidomeenis üldiselt väikese doosiga PET-pildistamise algoritme, see tähendab, et pärast seda, kui PET/CT-seade pildi väljastab, paraneb pildi kvaliteet järeltöötluse abil. Madala annusega PET-piltide suure müra tõttu varjavad need mürad PET-piltide paljusid peeneid struktuure. See tehniline tee viib tavaliselt pildi esemete, kvantitatiivsete vigade ja peenstruktuuride kadumiseni. Traditsiooniline PET -pildistamine on rekonstrueerimisprotsessis kaotanud palju teavet. Ainult pildi hilisemal töötlemisel on äärmiselt raske kaotatud teavet taastada ja lõplikku pildikvaliteeti parandada. Pildikvaliteedi probleemi lahendamiseks allikast on mõned meditsiini- ja laborid uuenduslikult välja töötanud süvaõppe algoritmid, mis põhinevad PET -algandmetel ja rekonstrueeritud piltidel (neljas hübriiddomeeni õppimise tüüp). Algoritm põimib tehisintellekti sügavalt PET -kujutise rekonstrueerimisprotsessi ja kasutab süvaõpet, et kaevandada algandmetes olev teave. Kombineerides PET -i rekonstrueerimise füüsilise mudeli, liigutatakse töötlusobjekt otse pildistamisseadmes olevatele algandmetele ja rekonstrueerimisalgoritm aitab parandada rekonstrueeritud kujutise kvaliteeti, mis vähendab oluliselt tõhusa teabe kadu. et saada selgemaid ja tugevamaid PET -pilte Väikeste kahjustuste tuvastamise võime.
