در مورد PET/CT چه باید بدانیم؟
PET/CT یک دستگاه پزشکی هسته ای است که سیستم های PET و CT را کاملاً ادغام می کند. PET اطلاعات مولکولی دقیقی در مورد عملکرد و سوخت و ساز لزج ارائه می دهد، در حالی که CT موقعیت آناتومیک دقیقی از هزج را فراهم می کند، و تصویربرداری یک بار می تواند تصاویر توموگرافیک کل بدن را به دست آورد. در مقایسه با PET مستقل و CT، PET/CT می تواند حساسیت، دقت، ویژگی و دقت موقعیت یابی تشخیص را به طور قابل توجهی بهبود بخشد. می تواند وضعیت کلی کل بدن را در یک نگاه درک کند، و به هدف تشخیص زودهنگام آسیب ها و تشخیص بیماری ها دست یابد. این بیماری عمدتاً برای تشخیص زودهنگام و تشخیص بیماری های بزرگ در زمینه های تومور، مغز و قلب استفاده می شود.
بر اساس داده های بزرگ گزارش سالانه جهانی سرطان که در سال ۲۰۱۸ منتشر شد، حدود ۱۸٫۱ میلیون مورد جدید سرطان و ۹٫۶ میلیون مرگ و میر سرطان در سراسر جهان وجود دارد. در هر 65 نفر در کشور ما 1 بیمار سرطانی وجود دارد که عامل اصلی مرگ و میر است. بر اساس آمار سازمان بهداشت جهانی، نرخ درمان فعلی و میزان بقای روش های مختلف درمانی برای مردم رضایت بخش نیست. دلایل اصلی این است که تشخیص خیلی دیر است، صحنه سازی نادرست است، و درمان ناقص است. از آنجا که PET / CT می تواند تغییرات در سوخت و ساز سلول در بدن مشاهده, می توان ماهیت تومور اولیه تومور (تمایز تومورهای خوش خیم و بدخیم، صحنه سازی تومور و درجه بندی) را قبل از تغییرات ساختاری و مورفولوژیک روشن کرد و اینکه آیا آسیب های متاستاتیک سیستمیک (شرایط سیستمیک) ارزیابی وجود دارد)، چگونگی اثر (چند روز یا حتی ساعت پس از پرتودرمانی می تواند اثر درمانی تومور را مشاهده کند، تنظیم برنامه درمان در زمان, و اساسا درمان به طور ناقص درمان lesion), و غیره. علاوه بر این، PET/CT مزایای منحصر به فردی در بومی سازی آسیب های صرع مغز قبل از عمل جراحی، شناسایی نکروز تابشی و عود پس از درمان تومور، طبقه بندی بدخیمی تومور مغزی، و بیماری های عصبی دارد.
با این حال، تابش آورده شده توسط PET / سی تی اسکن اغلب باعث می شود مردم "پریشان". میزان تابش گرفته شده در یک معاینه PET/CT کل بدن حدود ۷٫۵mSv است. این مفهوم چیه؟ در طبیعت، انسان هر سال حدود ۲٫۴mSv تابش طبیعی دریافت می کند، بنابراین دوز معاینه PET/CT را نمی توان نادیده گرفت. در پاسخ به مشکلات دوز تشعشعات تشعشعات و تشعشعات ناشی از سی تی و رادیو داروهای PET تزریق شده در اسکن PET/CT، سازمان بهداشت جهانی، کمیسیون بین المللی رادیولوژی و سازمان بین المللی فیزیک پزشکی تضمین کیفیت مواجهه پزشکی و استانداردهای کنترل دوز را تدوین کرده اند و به شدت طرفدار قرار گرفتن در معرض تابش باید از اصل ALARA (به عنوان پایین به عنوان منطقی دست یافتنی) از مشروعیت عملی و حفاظت مطلوب پیروی کنند. انتظار می رود که بهترین تصاویر تشخیصی را می توان با کوچکترین اشعه و دوز تابشی به دست آورد، در حالی که هزینه بازرسی های PET/CT و کاهش زمان اسکن را بیشتر کاهش می دهد.
با این حال، کاهش رادیوترکر تزریق شده نویز پواسون را تقویت خواهد کرد که بر کیفیت تصویر، تشخیص ضایعات و دقت کمی PET تأثیر خواهد گذارد. در تصویربرداری با دوز پایین، بسیاری از اطلاعات کلیدی تحت افزایش سطح نویز غرق خواهند شد. با طراحی مجدد/بهینه سازی الگوریتم بازسازی اسکن با دوز پایین می توان به بهترین معامله بین سطح نویز و همگرایی سیگنال دست آورد. برای حل چالش های یاد شده، الگوریتم ها و فناوری های زیادی پیشنهاد شده اند که عمدتاً می توان آن ها را به الگوریتم های سنتی و الگوریتم های یادگیری عمیق تقسیم کرد. از آن جمله می توان به الگوریتم های سنتی عمدتاً شامل الگوریتم های پردازش/فیلترینگ پس از بازسازی، الگوریتم های هدایت آناتومیک، مدل سازی آماری در فرایند بازسازی دوباره، و حذف نویز و اصلاح اثر حجم جزئی تحت هدایت ام آر آی اشاره کرد. اگرچه این روش ها سعی در به حداقل رساندن نویز و خطاهای کمی دارند، اما هنوز مشکلاتی در از دست دادن وضوح فضایی و صاف کردن بیش از حد وجود دارد.
الگوریتم های یادگیری عمیق قابلیت هایی را در حل مشکلات معکوس پیچیده، مانند بازسازی تصویر از پیش بینی ها به رسمیت شناخته اند. فرایند بازسازی تصویر CT، PET و SPECT با استفاده از فناوری یادگیری عمیق تقریباً روش های مشابهی دارد. در حال حاضر چهار استراتژی اصلی وجود دارد: روش اول فرایند یادگیری تصویر به تصویر است، به این صورت که فرایند یادگیری تصویر به تصویر در فضای تصویر انجام می شود. تبدیل تصویر، آموزش یک مدل شبکه برای بهبود کیفیت تصویر تصویر بازسازی شده از طریق مدل سازی مزاحم و فوق العاده وضوح. روش دوم فرایند یادگیری سینوگرام به سینوگرام است، که عبارت است از آموزش یک مدل یادگیری عمیق در حوزه پروجکشن برای بهبود کیفیت تصویر سینوگرام برای جلوگیری از حساسیت و وابستگی به الگوریتم بازسازی. روش سوم فرایند یادگیری سینوگرام به تصویر است، که عبارت است از یادگیری رابطه نگاشت غیر خطی بین دامنه پروجکشن و دامنه تصویر از طریق مدل شبکه، حذف کامل الگوریتم بازسازی سنتی، و تولید تصویر در یک مرحله. روش چهارم را می توان یادگیری دامنه ترکیبی نام داد. با فیوز کردن الگوریتم بازسازی و یادگیری عمیق، مدل شبکه در حوزه پروجکشن و دامنه تصویر در همان زمان آموزش می بیند تا به راه حل مطلوب مسئله بازسازی تصویر پی برد.
صنعت فعلی به طور کلی از الگوریتم های تصویربرداری PET با دوز پایین در دامنه تصویر استفاده می کند، به این صورت که پس از خروجی تجهیزات PET/CT تصویر، کیفیت تصویر از طریق پس پردازش تصویر بهبود می یاشد. به دلیل سر و صدای زیاد در تصاویر PET با دوز پایین، این صداها بسیاری از ساختارهای ریز را در تصاویر PET پنهان می کنند. این مسیر فنی معمولاً منجر به مصنوعات تصویری، خطاهای کمی، و از دست دادن ساختارهای ریز می شود. تصویربرداری سنتی PET اطلاعات زیادی را در فرایند بازسازی از دست داده است. بازیابی اطلاعات از دست رفته تنها با پردازش تصویر در مرحله بعد بسیار دشوار است و بهبود کیفیت تصویر نهایی دشوار است. به منظور حل مشکل کیفیت تصویر از منبع، برخی از پزشکی و آزمایشگاه ها به طور ابتکاری الگوریتم های یادگیری عمیق را بر اساس داده های خام PET و تصاویر بازسازی شده (نوع چهارم یادگیری دامنه ترکیبی) توسعه داده اند. الگوریتم عمیقاً هوش مصنوعی را در فرایند بازسازی تصویر PET جاسازی می کند، و از یادگیری عمیق برای معدن کردن اطلاعات در داده های اصلی استفاده می کند. با ترکیب مدل فیزیکی بازسازی PET، جسم پردازش به طور مستقیم به داده های اصلی داخل دستگاه تصویربرداری پیشرفته می شود و الگوریتم بازسازی به بهبود کیفیت تصویر بازسازی شده کمک می شود که تا حد زیادی از دست دادن اطلاعات موثر را کاهش می دهد، بنابراین برای به دست آوردن تصاویر PET واضح تر و قوی تر توانایی تشخیص ضایعات کوچک است.
