PET/CT ir kodolmedicīnas ierīce, kas lieliski integrē PET un CT sistēmas. PET sniedz detalizētu molekulāro informāciju par bojājuma funkciju un metabolismu, savukārt CT nodrošina precīzu bojājuma anatomisko pozicionēšanu, un vienreizēja attēlveidošana var iegūt visa ķermeņa tomogrāfiskos attēlus. Salīdzinot ar neatkarīgiem PET un CT, PET/CT var ievērojami uzlabot diagnozes jutīgumu, precizitāti, specifiskumu un pozicionēšanas precizitāti. Tas var īsumā saprast visa ķermeņa vispārējo stāvokli un sasniegt mērķi savlaicīgi atklāt bojājumus un diagnosticēt slimības. To galvenokārt izmanto, lai savlaicīgi atklātu un diagnosticētu galvenās slimības audzēja, smadzeņu un sirds laukos.
Saskaņā ar 2018. gadā publicētā globālā vēža gada pārskata lielajiem datiem visā pasaulē ir aptuveni 18,1 miljons jaunu vēža gadījumu un 9,6 miljoni vēža izraisītu nāves gadījumu. Mūsu valstī ir 1 vēža slimnieks no katriem 65 cilvēkiem, kas ir galvenais nāves cēlonis. Saskaņā ar Pasaules Veselības organizācijas statistiku, pašreizējie dažādu ārstēšanas metožu izārstēšanas rādītāji un izdzīvošanas rādītāji cilvēkus neapmierina. Galvenie iemesli ir tādi, ka diagnoze ir par vēlu, stadija ir neprecīza un ārstēšana ir nepilnīga. Tā kā PET/CT var novērot izmaiņas šūnu metabolismā organismā, ir iespējams noskaidrot audzēja' primārā audzēja raksturu (labdabīgu un ļaundabīgu audzēju diferenciācija, audzēja stadija un klasifikācija) pirms strukturālā un morfoloģiskā. izmaiņas un vai pastāv sistēmiski metastātiski bojājumi (sistēmiski stāvokļi) Novērtējums), kā izpaužas efekts (dažas dienas vai pat stundas pēc staru terapijas var novērot audzēja terapeitisko efektu, savlaicīgi pielāgot ārstēšanas plānu un radikāli izārstēt nepilnīgi) Turklāt PET/CT ir unikālas priekšrocības smadzeņu epilepsijas bojājumu lokalizācijā pirms operācijas, radiācijas nekrozes un recidīvu noteikšanas pēc audzēja ārstēšanas, smadzeņu audzēja ļaundabīgo audzēju klasifikācijas un neiroloģiskām slimībām.
Tomēr starojums, ko rada PET/CT skenēšana, bieži liek cilvēkiem&"izklaidēties &". Radiācijas daudzums, kas ņemts PET/CT visa ķermeņa pārbaudē, ir aptuveni 7,5 mSv. kāds ir šis jēdziens? Dabā cilvēki katru gadu saņem aptuveni 2,4 mSv dabiskā starojuma, tāpēc nevar ignorēt PET/CT pārbaudes devu. Atbildot uz starojuma un starojuma starojuma problēmām, ko izraisa CT un injicētie PET radiofarmaceitiskie preparāti PET/CT skenēšanā, Pasaules Veselības organizācija, Starptautiskā Radioloģiskā komisija un Starptautiskā medicīnas fizikas organizācija ir izstrādājušas medicīniskās iedarbības kvalitātes nodrošināšanas un devas kontroles standartus, un stingri atbalstītajai radiācijas iedarbībai būtu jāievēro praktiskās leģitimitātes un optimālas aizsardzības ALARA (tik zems, cik saprātīgi sasniedzams) princips. Paredzams, ka labākos diagnostikas attēlus var iegūt ar mazāko starojuma un starojuma devu, vienlaikus vēl vairāk samazinot PET/CT pārbaužu izmaksas un samazinot skenēšanas laiku.
Tomēr, samazinot injicēto radiotraceru, tiks pastiprināts Puasona troksnis, kas ietekmēs attēla kvalitāti, bojājumu noteikšanu un PET kvantitatīvo precizitāti. Veicot attēlveidošanu ar zemām devām, daudzas galvenās informācijas tiks iegremdētas zem paaugstināta trokšņa līmeņa. Pārveidojot/optimizējot zemas devas skenēšanas rekonstrukcijas algoritmu, var panākt vislabāko kompromisu starp trokšņa līmeni un signāla konverģenci. Lai atrisinātu iepriekš minētos izaicinājumus, ir piedāvāti daudzi algoritmi un tehnoloģijas, kuras galvenokārt var iedalīt tradicionālajos un dziļās mācīšanās algoritmos. Starp tiem tradicionālie algoritmi galvenokārt ietver apstrādes/filtrēšanas algoritmus pēc rekonstrukcijas, anatomisko vadīšanas algoritmus, statistisko modelēšanu atkārtotas rekonstrukcijas procesā, kā arī trokšņa noņemšanu un daļējas skaļuma ietekmes korekciju MRI vadībā. Lai gan šīs metodes cenšas samazināt troksni un kvantitatīvās kļūdas, joprojām pastāv problēmas ar telpiskās izšķirtspējas zudumu un pārmērīgu izlīdzināšanu.
Dziļās mācīšanās algoritmiem ir atzītas iespējas sarežģītu apgrieztu problēmu risināšanā, piemēram, attēlu rekonstrukcija no projekcijām. CT, PET un SPECT attēla rekonstrukcijas procesam, izmantojot dziļās mācīšanās tehnoloģiju, ir aptuveni tādas pašas metodes. Pašlaik pastāv četras galvenās stratēģijas: Pirmā metode ir mācīšanās no attēla uz attēlu process, tas ir, attēla-attēla mācīšanās process tiek veikts attēla telpā. Attēla pārveidošana, tīkla modeļa apmācība, lai uzlabotu rekonstruētā attēla attēla kvalitāti, izmantojot denoizējošu un superizšķirtspējas modelēšanu. Otra metode ir sinogrammas-sinogrammas apguves process, tas ir, dziļas mācīšanās modeļa apmācība projekcijas jomā, lai uzlabotu sinogrammas attēla kvalitāti, lai izvairītos no jutīguma un atkarības no rekonstrukcijas algoritma. Trešā metode ir sinogrammas un attēla apguves process, tas ir, apgūt nelineārās kartēšanas attiecības starp projekcijas domēnu un attēla domēnu, izmantojot tīkla modeli, pilnībā noņemot tradicionālo rekonstrukcijas algoritmu un ģenerējot attēlu vienā solī. Ceturto metodi var saukt par hibrīda domēna mācīšanos. Sapludinot rekonstrukcijas algoritmu un dziļu mācīšanos, tīkla modelis tiek apmācīts vienlaikus projekcijas jomā un attēla domēnā, lai realizētu optimālu attēla rekonstrukcijas problēmas risinājumu.
Pašreizējā nozare attēlu jomā parasti izmanto mazas devas PET attēlveidošanas algoritmus, tas ir, pēc tam, kad PET/CT iekārta izvada attēlu, attēla kvalitāte tiek uzlabota, izmantojot attēlu pēcapstrādi. Sakarā ar lielo troksni PET attēlu mazās devās, šie trokšņi slēpj daudzas smalkas struktūras PET attēlos. Šis tehniskais ceļš parasti noved pie attēla artefaktiem, kvantitatīvām kļūdām un smalku struktūru zuduma. Tradicionālā PET attēlveidošana ir zaudējusi daudz informācijas rekonstrukcijas procesā. Ir ārkārtīgi grūti atgūt zaudēto informāciju, tikai apstrādājot attēlu vēlākā posmā, un ir grūti uzlabot galīgo attēla kvalitāti. Lai atrisinātu attēla kvalitātes problēmu no avota, dažas medicīnas un laboratorijas ir novatoriski izstrādājušas dziļas mācīšanās algoritmus, kuru pamatā ir PET neapstrādāti dati un rekonstruēti attēli (ceturtais hibrīda domēna apguves veids). Algoritms dziļi iekļauj AI PET attēlu atjaunošanas procesā un izmanto dziļu mācīšanos, lai iegūtu informāciju sākotnējos datos. Apvienojot PET rekonstrukcijas fizisko modeli, apstrādes objekts tiek tieši novirzīts uz sākotnējiem datiem attēlveidošanas ierīcē, un rekonstrukcijas algoritms palīdz uzlabot rekonstruētā attēla kvalitāti, kas ievērojami samazina efektīvas informācijas zudumu. lai iegūtu skaidrus PET attēlus un spēcīgāku Spēja noteikt nelielus bojājumus.
