PET/CT je uređaj za nuklearnu medicinu koji savršeno integrira PET i CT sustave. PET daje detaljne molekularne informacije o funkciji i metabolizmu lezije, dok CT omogućuje precizno anatomsko pozicioniranje lezije, a jednokratnim snimanjem mogu se dobiti tomografske slike cijelog tijela. U usporedbi s neovisnim PET i CT, PET/CT može značajno poboljšati osjetljivost, točnost, specifičnost i točnost pozicioniranja dijagnoze. Može na prvi pogled razumjeti cjelokupno stanje cijelog tijela i postići svrhu ranog otkrivanja lezija i dijagnosticiranja bolesti. Uglavnom se koristi za rano otkrivanje i dijagnosticiranje velikih bolesti u tumorima, mozgu i srcu.
Prema velikim podacima Godišnjeg izvješća o raku objavljenom 2018., u svijetu se procjenjuje 18,1 milijun novih slučajeva raka i 9,6 milijuna smrtnih slučajeva od raka. Na 65 osoba u našoj zemlji dolazi 1 oboljeli od raka, što je vodeći uzrok smrti. Prema statistikama Svjetske zdravstvene organizacije, trenutne stope izlječenja i stope preživljavanja različitih metoda liječenja nisu zadovoljavajuće za ljude. Glavni su razlozi to što je dijagnoza prekasno, postavljanje je netočno, a liječenje nepotpuno. Budući da PET/CT može uočiti promjene u metabolizmu stanica u tijelu, moguće je razjasniti prirodu primarnog tumora' (razlikovanje dobroćudnih i zloćudnih tumora, stadiranje i stupnjevanje tumora) prije strukturnih i morfoloških promjene, te postoje li sistemske metastatske lezije (sistemska stanja) Evaluacija), kako je učinak (nekoliko dana ili čak sati nakon radioterapije može uočiti terapijski učinak tumora, prilagoditi plan liječenja na vrijeme i radikalno izliječiti nepotpuno liječena lezija) itd. Osim toga, PET/CT ima jedinstvene prednosti u lokalizaciji lezija epilepsije mozga prije operacije, identifikaciji radijacijske nekroze i recidiva nakon liječenja tumora, klasifikaciji malignosti tumora mozga i neurološkim bolestima.
Međutim, zračenje uzrokovano PET/CT skeniranjem često čini ljude&rastresenim &. Količina zračenja uzeta pri PET/CT pregledu cijelog tijela je oko 7,5 mSv. koji je to koncept? U prirodi ljudi primaju približno 2,4 mSv prirodnog zračenja svake godine, pa se doza PET/CT pregleda ne može zanemariti. Kao odgovor na probleme s dozama zračenja zračenja i zračenja uzrokovane CT -om i ubrizganim PET radiofarmacima u PET/CT snimkama, Svjetska zdravstvena organizacija, Međunarodna radiološka komisija i Međunarodna organizacija za medicinsku fiziku formulirale su standarde osiguranja kvalitete medicinske izloženosti i kontrole doze, i snažno zagovaran Izloženost zračenju trebala bi slijediti ALARA (što je moguće niže) načelo praktične legitimnosti i optimalne zaštite. Očekuje se da se najbolje dijagnostičke slike mogu dobiti s najmanjom dozom zračenja i zračenja, dok se dodatno smanjuju troškovi PET/CT pregleda i skraćuje vrijeme skeniranja.
Međutim, smanjenje ubrizganog radiotracer -a pojačat će Poissonov šum, što će utjecati na kvalitetu slike, otkrivanje lezija i kvantitativnu točnost PET -a. U snimanju niskim dozama mnoge će ključne informacije biti potopljene pod povećanjem razine buke. Redizajniranjem/optimiziranjem algoritma rekonstrukcije skeniranja niskim dozama može se postići najbolji kompromis između razine šuma i konvergencije signala. Kako bi se riješili gore navedeni izazovi, predloženi su mnogi algoritmi i tehnologije, koji se uglavnom mogu podijeliti na tradicionalne algoritme i algoritme dubokog učenja. Među njima, tradicionalni algoritmi uglavnom uključuju algoritme za obradu/filtriranje nakon rekonstrukcije, anatomske algoritme za navođenje, statističko modeliranje u procesu iterativne rekonstrukcije te uklanjanje šuma i korekciju djelomičnog volumena pod vodstvom MRI. Iako se ovim metodama nastoji minimizirati šum i kvantitativne pogreške, još uvijek postoje problemi s gubitkom prostorne razlučivosti i prekomjernim zaglađivanjem.
Algoritmi dubokog učenja prepoznali su sposobnosti u rješavanju složenih inverznih problema, poput rekonstrukcije slike iz projekcija. Postupak rekonstrukcije slike CT, PET i SPECT pomoću tehnologije dubokog učenja ima otprilike iste metode. Trenutno postoje četiri glavne strategije: Prva metoda je proces učenja slika na sliku, odnosno proces učenja slika na sliku izvodi se u prostoru slike. Pretvorba slike, obučavanje mrežnog modela za poboljšanje kvalitete slike rekonstruirane slike kroz modeliranje šumova i super-rezolucije. Druga metoda je proces učenja sinogram-to-sinogram, odnosno obučavanje modela dubokog učenja u domeni projekcije kako bi se poboljšala kvaliteta slike sinograma kako bi se izbjegla osjetljivost i ovisnost o algoritmu rekonstrukcije. Treća metoda je proces učenja sinograma prema slici, odnosno učenje nelinearnog odnosa preslikavanja između domene projekcije i domene slike putem mrežnog modela, potpuno uklanjajući tradicionalni algoritam rekonstrukcije i generirajući sliku u jednom koraku. Četvrta se metoda može nazvati hibridnim učenjem domene. Spajanjem algoritma rekonstrukcije i dubokog učenja, mrežni se model istodobno osposobljava u projekcijskoj domeni i domeni slike kako bi se postiglo optimalno rješenje problema rekonstrukcije slike.
Trenutna industrija općenito koristi algoritme za snimanje malih doza PET-a u domeni slike, to jest, nakon što PET/CT oprema prikaže sliku, kvaliteta slike poboljšava se naknadnom obradom slike. Zbog velikog šuma na niskim dozama PET slika, ti šumovi skrivaju mnoge fine strukture na PET slikama. Ovaj tehnički put obično dovodi do artefakata slike, kvantitativnih pogrešaka i gubitka finih struktura. Tradicionalno PET snimanje izgubilo je mnogo podataka u procesu rekonstrukcije. Iznimno je teško vratiti izgubljene podatke samo obradom slike u kasnijoj fazi, a teško je poboljšati konačnu kvalitetu slike. Kako bi riješili problem kvalitete slike s izvora, neki su medicinski i laboratoriji inovativno razvili algoritme dubokog učenja koji se temelje na PET neobrađenim podacima i rekonstruiranim slikama (četvrta vrsta hibridnog učenja u domeni). Algoritam duboko ugrađuje umjetnu inteligenciju u proces rekonstrukcije PET slike i koristi duboko učenje za iskopavanje podataka u izvornim podacima. Kombinacijom fizičkog modela rekonstrukcije PET -a objekt za obradu izravno se unaprjeđuje do izvornih podataka unutar uređaja za snimanje, a algoritmu rekonstrukcije pomaže se poboljšati kvaliteta rekonstruirane slike, što uvelike smanjuje gubitak učinkovitih informacija, tako da za dobivanje jasnijih PET slika i jaču Sposobnost otkrivanja malih lezija.
