¿Qué tenemos que saber sobre PET/CT?
PET/CT es un dispositivo de medicina nuclear que integra perfectamente los sistemas PET y CT. La PET proporciona información molecular detallada sobre la función y el metabolismo de la lesión, mientras que la TC proporciona un posicionamiento anatómico preciso de la lesión, y las imágenes de una sola vez pueden obtener imágenes tomográficas de todo el cuerpo. En comparación con la PET y la TC independientes, la PET/TC puede mejorar significativamente la sensibilidad, la precisión, la especificidad y la precisión del posicionamiento del diagnóstico. Puede comprender la condición general de todo el cuerpo de un vistazo y lograr el propósito de detección temprana de lesiones y diagnóstico de enfermedades. Se utiliza principalmente para la detección temprana y el diagnóstico de enfermedades importantes en los campos de tumores, cerebro y corazón.
Según los grandes datos del Informe Anual Mundial sobre el Cáncer publicado en 2018, se estima que hay 18,1 millones de nuevos casos de cáncer y 9,6 millones de muertes por cáncer en todo el mundo. Hay 1 paciente de cáncer por cada 65 personas en nuestro país, que es la principal causa de muerte. Según las estadísticas de la Organización Mundial de la Salud, las tasas de curación actuales y las tasas de supervivencia de varios métodos de tratamiento no son satisfactorias para las personas. Las razones principales son que el diagnóstico es demasiado tarde, la estadificación es inexacta y el tratamiento es incompleto. Debido a que la PET/TC puede observar cambios en el metabolismo celular en el cuerpo, es posible aclarar la naturaleza del tumor primario del tumor (diferenciación de tumores benignos y malignos, estadificación y clasificación del tumor) antes de los cambios estructurales y morfológicos, y si hay lesiones metastásicas sistémicas (afecciones sistémicas) Evaluación), cómo es el efecto (unos días o incluso horas después de la radioterapia puede observar el efecto terapéutico del tumor, ajustar el plan de tratamiento a tiempo y curar radicalmente la lesión tratada incompletamente), etc. Además, pet/CT tiene ventajas únicas en la localización de lesiones de epilepsia cerebral antes de la cirugía, la identificación de necrosis por radiación y recurrencia después del tratamiento tumoral, la clasificación de tumores malignos cerebrales y enfermedades neurológicas.
Sin embargo, la radiación traída por las tomografías PET / CT a menudo hace que las personas se "distraigan". La cantidad de radiación tomada en un examen pet/ct de todo el cuerpo es de aproximadamente 7.5mSv. ¿Qué es este concepto? En la naturaleza, los seres humanos reciben aproximadamente 2,4 mSv de radiación natural cada año, por lo que no se puede ignorar la dosis del examen PET / CT. En respuesta a los problemas de dosis de radiación de radiación y radiación causados por la TC y los radiofármacos PET inyectados en las tomografías PET/TC, la Organización Mundial de la Salud, la Comisión Radiológica Internacional y la Organización Internacional de Física Médica han formulado normas de garantía de calidad de la exposición médica y control de dosis, y han abogado firmemente por que la exposición a la radiación siga el principio ALARA (Tan bajo como sea razonablemente posible) de legitimidad práctica y protección óptima. Se espera que las mejores imágenes de diagnóstico se puedan obtener con la dosis de radiación y radiación más pequeñas, al tiempo que se reduce aún más el costo de las inspecciones pet/CT y se reduce el tiempo de exploración.
Sin embargo, la reducción del radiotrazador inyectado amplificará el ruido de Poisson, lo que afectará la calidad de la imagen, la detección de lesiones y la precisión cuantitativa del PET. En las imágenes de dosis bajas, mucha información clave se sumergirá bajo el aumento del nivel de ruido. Al rediseñar/optimizar el algoritmo de reconstrucción del escaneo de dosis bajas, se puede lograr la mejor compensación entre el nivel de ruido y la convergencia de la señal. Para resolver los desafíos mencionados anteriormente, se han propuesto muchos algoritmos y tecnologías, que se pueden dividir principalmente en algoritmos tradicionales y algoritmos de aprendizaje profundo. Entre ellos, los algoritmos tradicionales incluyen principalmente algoritmos de procesamiento / filtrado posteriores a la reconstrucción, algoritmos de guía anatómica, modelado estadístico en el proceso de reconstrucción iterativa y eliminación de ruido y corrección del efecto de volumen parcial bajo la guía de MRI. Aunque estos métodos intentan minimizar el ruido y los errores cuantitativos, todavía hay problemas con la pérdida de resolución espacial y el suavizado excesivo.
Los algoritmos de aprendizaje profundo tienen capacidades reconocidas para resolver problemas inversos complejos, como la reconstrucción de imágenes a partir de proyecciones. El proceso de reconstrucción de imágenes de CT, PET y SPECT utilizando tecnología de aprendizaje profundo tiene aproximadamente los mismos métodos. Actualmente hay cuatro estrategias principales: El primer método es el proceso de aprendizaje de imagen a imagen, es decir, el proceso de aprendizaje de imagen a imagen se realiza en el espacio de imagen. Conversión de imagen, entrenando un modelo de red para mejorar la calidad de imagen de la imagen reconstruida a través de la eliminación de nombres y el modelado de superser resolución. El segundo método es el proceso de aprendizaje de sinograma a sinograma, es decir, entrenar un modelo de aprendizaje profundo en el dominio de proyección para mejorar la calidad de imagen del sinograma para evitar la sensibilidad y la dependencia del algoritmo de reconstrucción. El tercer método es el proceso de aprendizaje de sinograma a imagen, es decir, aprender la relación de mapeo no lineal entre el dominio de proyección y el dominio de imagen a través del modelo de red, eliminando completamente el algoritmo de reconstrucción tradicional y generando la imagen en un solo paso. El cuarto método se puede llamar aprendizaje de dominio híbrido. Al fusionar el algoritmo de reconstrucción y el aprendizaje profundo, el modelo de red se entrena en el dominio de proyección y el dominio de imagen al mismo tiempo para realizar la solución óptima del problema de reconstrucción de imágenes.
La industria actual generalmente utiliza algoritmos de imágenes PET de baja dosis en el dominio de la imagen, es decir, después de que el equipo PET / CT emite la imagen, la calidad de la imagen se mejora a través del posprocesamiento de la imagen. Debido al gran ruido en las imágenes de PET de baja dosis, estos ruidos ocultan muchas estructuras finas en las imágenes de PET. Esta ruta técnica generalmente conduce a artefactos de imagen, errores cuantitativos y pérdida de estructuras finas. Las imágenes PET tradicionales han perdido mucha información en el proceso de reconstrucción. Es extremadamente difícil recuperar la información perdida solo procesando la imagen en la etapa posterior, y es difícil mejorar la calidad de la imagen final. Para resolver el problema de la calidad de la imagen desde la fuente, algunos médicos y laboratorios han desarrollado de manera innovadora algoritmos de aprendizaje profundo basados en datos en bruto pet e imágenes reconstruidas (el cuarto tipo de aprendizaje de dominio híbrido). El algoritmo integra profundamente la IA en el proceso de reconstrucción de imágenes PET y utiliza el aprendizaje profundo para extraer la información de los datos originales. Al combinar el modelo físico de reconstrucción PET, el objeto de procesamiento se avanza directamente a los datos originales dentro del dispositivo de imágenes, y el algoritmo de reconstrucción se ayuda a mejorar la calidad de la imagen reconstruida, lo que reduce en gran medida la pérdida de información efectiva, a fin de obtener imágenes PET más claras y más fuertes La capacidad de detectar lesiones pequeñas.
