PET/CT je zařízení nukleární medicíny, které dokonale integruje systémy PET a CT. PET poskytuje podrobné molekulární informace o funkci a metabolismu léze, zatímco CT poskytuje přesné anatomické umístění léze a jednorázovým zobrazením lze získat tomografické snímky celého těla. Ve srovnání s nezávislými PET a CT může PET/CT významně zlepšit citlivost, přesnost, specificitu a přesnost polohování diagnostiky. Na první pohled dokáže porozumět celkovému stavu celého těla a dosáhnout účelu včasné detekce lézí a diagnostiky nemocí. Používá se hlavně k včasné detekci a diagnostice závažných onemocnění nádorových, mozkových a srdečních polí.
Podle velkých údajů Globální výroční zprávy o rakovině vydané v roce 2018 je na celém světě odhadem 18,1 milionu nových případů rakoviny a 9,6 milionu úmrtí na rakovinu. Na každých 65 lidí v naší zemi připadá 1 pacient s rakovinou, což je hlavní příčina úmrtí. Podle statistik Světové zdravotnické organizace nejsou současné míry vyléčení a přežití různých léčebných metod pro lidi uspokojivé. Hlavními důvody jsou, že diagnóza je příliš pozdě, staging je nepřesný a léčba je neúplná. Protože PET/CT může pozorovat změny v buněčném metabolismu v těle, je možné objasnit povahu primárního nádoru tumoru' změny a zda existují systémové metastatické léze (systémové stavy) Hodnocení), jak je účinek (několik dní nebo dokonce hodin po radioterapii lze pozorovat terapeutický účinek nádoru, včas upravit plán léčby a radikálně vyléčit neúplně ošetřená léze) atd. Kromě toho má PET/CT jedinečné výhody v lokalizaci mozkových epileptických lézí před chirurgickým zákrokem, identifikaci radiační nekrózy a recidivy po léčbě nádorem, klasifikaci malignity nádorů mozku a neurologických chorob.
Záření, které přináší PET/CT skeny, však často způsobuje, že lidé&jsou „rozptýlení &“. Množství záření odebraného při vyšetření celého těla PET/CT je asi 7,5 mSv. co je to za koncept? V přírodě dostává člověk každý rok přibližně 2,4 mSv přirozeného záření, takže nelze ignorovat dávku vyšetření PET/CT. V reakci na problémy s radiační dávkou radiace a záření způsobeného CT a injekčně podávanými PET radiofarmaky v PET/CT skenech, Světová zdravotnická organizace, Mezinárodní radiologická komise a Mezinárodní organizace pro lékařskou fyziku formulovaly standardy pro zajištění kvality expozice v lékařství a standardy kontroly dávkování, a silně obhajovaná Radiační expozice by se měla řídit zásadou praktické legitimity a optimální ochrany ALARA (As Low As Reasonably Achievable). Očekává se, že nejlepší diagnostické obrazy lze získat s nejmenší radiací a radiační dávkou, přičemž se dále sníží náklady na kontroly PET/CT a zkrátí se doba skenování.
Snížení vstřikovaného radiotraceru však zesílí Poissonův šum, což ovlivní kvalitu obrazu, detekci lézí a kvantitativní přesnost PET. Při zobrazování nízkými dávkami bude mnoho klíčových informací ponořeno pod zvýšenou hladinu hluku. Přepracováním/optimalizací rekonstrukčního algoritmu skenování nízkých dávek lze dosáhnout nejlepšího kompromisu mezi úrovní šumu a konvergence signálu. Aby bylo možné vyřešit výše uvedené výzvy, bylo navrženo mnoho algoritmů a technologií, které lze rozdělit především na tradiční algoritmy a algoritmy hlubokého učení. Mezi nimi tradiční algoritmy zahrnují hlavně algoritmy zpracování/filtrování po rekonstrukci, algoritmy anatomického navádění, statistické modelování v iteračním procesu rekonstrukce a odstranění šumu a korekce efektu částečného objemu pod vedením MRI. Přestože se tyto metody snaží minimalizovat šum a kvantitativní chyby, stále existují problémy se ztrátou prostorového rozlišení a nadměrným vyhlazováním.
Algoritmy hlubokého učení mají uznávané schopnosti při řešení složitých inverzních problémů, jako je rekonstrukce obrazu z projekcí. Proces rekonstrukce obrazu CT, PET a SPECT pomocí technologie hlubokého učení má zhruba stejné metody. V současné době existují čtyři hlavní strategie: První metodou je proces učení obraz k obrazu, to znamená, že proces učení obraz k obrazu se provádí v prostoru obrazu. Konverze obrazu, trénink síťového modelu ke zlepšení kvality obrazu rekonstruovaného obrazu pomocí modelování odšumování a super rozlišení. Druhou metodou je proces učení se sinogramem na sinogram, to znamená trénink modelu hlubokého učení v projekční doméně, aby se zlepšila kvalita obrazu sinogramu, aby se zabránilo citlivosti a závislosti na rekonstrukčním algoritmu. Třetí metodou je proces učení sinogramu k obrazu, to znamená naučit se nelineární vztah mapování mezi projekční doménou a obrazovou doménou prostřednictvím síťového modelu, zcela odstranit tradiční rekonstrukční algoritmus a generovat obraz v jednom kroku. Čtvrtou metodu lze nazvat učení hybridní domény. Spojením algoritmu rekonstrukce a hloubkového učení se síťový model trénuje současně v projekční doméně a obrazové doméně, aby se dosáhlo optimálního řešení problému rekonstrukce obrazu.
Současný průmysl obecně používá nízkodávkové zobrazovací algoritmy PET v obrazové doméně, to znamená, že poté, co zařízení PET/CT vydá obraz, se kvalita obrazu zlepší post-processingem obrazu. Vzhledem k velkému šumu v nízko dávkových PET obrazech tyto zvuky skrývají mnoho jemných struktur v PET obrazech. Tato technická cesta obvykle vede k artefaktům obrazu, kvantitativním chybám a ztrátě jemných struktur. Tradiční zobrazování PET ztratilo v procesu rekonstrukce mnoho informací. Je extrémně obtížné obnovit ztracené informace pouze zpracováním obrázku v pozdější fázi a je obtížné zlepšit konečnou kvalitu obrazu. Aby bylo možné vyřešit problém kvality obrazu ze zdroje, některé lékařské a laboratoře inovativně vyvinuly algoritmy hlubokého učení založené na nezpracovaných datech PET a rekonstruovaných obrázcích (čtvrtý typ učení hybridní domény). Algoritmus hluboce integruje AI do procesu rekonstrukce PET obrazu a využívá hluboké učení k těžbě informací v původních datech. Kombinací fyzického modelu rekonstrukce PET je objekt zpracování přímo posunut k původním datům uvnitř zobrazovacího zařízení a algoritmu rekonstrukce je pomáháno zlepšovat kvalitu rekonstruovaného obrazu, což výrazně snižuje ztrátu efektivních informací, takže získat jasnější PET snímky a silnější Schopnost detekovat malé léze.
