Que devons-nous savoir sur le PET/CT ?
Le PET/CT est un appareil de médecine nucléaire qui intègre parfaitement les systèmes PET et CT. La TEP fournit des informations moléculaires détaillées sur la fonction et le métabolisme de la lésion, tandis que la TDM fournit un positionnement anatomique précis de la lésion, et l'imagerie unique peut obtenir des images tomographiques de l'ensemble du corps. Par rapport à la TEP et à la TDM indépendantes, la TEP/TDM peut améliorer considérablement la sensibilité, la précision, la spécificité et la précision de positionnement du diagnostic. Il peut comprendre l'état général de l'ensemble du corps en un coup d'œil et atteindre l'objectif de détection précoce des lésions et de diagnostic des maladies. Il est principalement utilisé pour la détection précoce et le diagnostic des principales maladies dans les domaines tumoral, cérébral et cardiaque.
Selon les mégadonnées du rapport annuel mondial sur le cancer publié en 2018, il y a environ 18,1 millions de nouveaux cas de cancer et 9,6 millions de décès par cancer dans le monde. Il y a 1 patient atteint de cancer sur 65 personnes dans notre pays, ce qui est la principale cause de décès. Selon les statistiques de l'Organisation mondiale de la santé, les taux de guérison actuels et les taux de survie des diverses méthodes de traitement ne sont pas satisfaisants pour les gens. Les principales raisons sont que le diagnostic est trop tardif, la stadification est imprécise et le traitement est incomplet. Parce que la TEP/TDM peut observer des changements dans le métabolisme cellulaire dans le corps, il est possible de clarifier la nature de la tumeur primaire de la tumeur's (différenciation des tumeurs bénignes et malignes, stadification et gradation de la tumeur) changements, et s'il y a des lésions métastatiques systémiques (conditions systémiques) Évaluation), comment l'effet est (quelques jours ou même heures après la radiothérapie peut observer l'effet thérapeutique de la tumeur, ajuster le plan de traitement dans le temps, et guérir radicalement le lésion traitée), etc. De plus, la TEP/TDM présente des avantages uniques dans la localisation des lésions d'épilepsie cérébrale avant la chirurgie, l'identification de la radionécrose et des récidives après traitement tumoral, la classification des tumeurs cérébrales malignes et les maladies neurologiques.
Cependant, le rayonnement apporté par les tomodensitogrammes TEP/CT rend souvent les gens&« distraits & ». La quantité de rayonnement prise lors d'un examen TEP/CT du corps entier est d'environ 7,5 mSv. quelle est cette notion ? Dans la nature, les humains reçoivent environ 2,4 mSv de rayonnement naturel chaque année, de sorte que la dose d'examen TEP/CT ne peut être ignorée. En réponse aux problèmes de dose de rayonnement de rayonnement et de rayonnement causés par la tomodensitométrie et les produits radiopharmaceutiques PET injectés dans les tomodensitogrammes, l'Organisation mondiale de la santé, la Commission radiologique internationale et l'Organisation internationale de physique médicale ont formulé des normes d'assurance qualité de l'exposition médicale et de contrôle des doses, et fortement recommandé L'exposition aux rayonnements doit suivre le principe ALARA (As Low As Reasonably Achievable) de légitimité pratique et de protection optimale. On s'attend à ce que les meilleures images diagnostiques puissent être obtenues avec la plus petite dose de rayonnement et de rayonnement, tout en réduisant encore le coût des inspections PET/CT et en réduisant le temps de numérisation.
Cependant, la réduction du radiotraceur injecté amplifiera le bruit de Poisson, ce qui affectera la qualité de l'image, la détection des lésions et la précision quantitative de la TEP. En imagerie à faible dose, de nombreuses informations clés seront submergées par l'augmentation du niveau de bruit. En repensant/optimisant l'algorithme de reconstruction du balayage à faible dose, le meilleur compromis entre le niveau de bruit et la convergence du signal peut être obtenu. Afin de résoudre les défis mentionnés ci-dessus, de nombreux algorithmes et technologies ont été proposés, qui peuvent être principalement divisés en algorithmes traditionnels et algorithmes d'apprentissage en profondeur. Parmi eux, les algorithmes traditionnels incluent principalement les algorithmes de traitement/filtrage post-reconstruction, les algorithmes de guidage anatomique, la modélisation statistique dans le processus de reconstruction itérative, et la suppression du bruit et la correction partielle de l'effet de volume sous la direction de l'IRM. Bien que ces méthodes tentent de minimiser le bruit et les erreurs quantitatives, il existe toujours des problèmes de perte de résolution spatiale et de lissage excessif.
Les algorithmes d'apprentissage en profondeur ont des capacités reconnues pour résoudre des problèmes inverses complexes, tels que la reconstruction d'images à partir de projections. Le processus de reconstruction d'image de CT, PET et SPECT utilisant la technologie d'apprentissage profond utilise à peu près les mêmes méthodes. Il existe actuellement quatre stratégies principales : La première méthode est le processus d'apprentissage image-à-image, c'est-à-dire que le processus d'apprentissage image-à-image est effectué dans l'espace image. Conversion d'image, formation d'un modèle de réseau pour améliorer la qualité d'image de l'image reconstruite grâce au débruitage et à la modélisation en super-résolution. La deuxième méthode est le processus d'apprentissage de sinogramme à sinogramme, c'est-à-dire la formation d'un modèle d'apprentissage en profondeur dans le domaine de projection pour améliorer la qualité d'image du sinogramme afin d'éviter la sensibilité et la dépendance à l'algorithme de reconstruction. La troisième méthode est le processus d'apprentissage du sinogramme à l'image, c'est-à-dire l'apprentissage de la relation de mappage non linéaire entre le domaine de projection et le domaine de l'image via le modèle de réseau, en supprimant complètement l'algorithme de reconstruction traditionnel et en générant l'image en une seule étape. La quatrième méthode peut être appelée apprentissage de domaine hybride. En fusionnant l'algorithme de reconstruction et l'apprentissage en profondeur, le modèle de réseau est entraîné dans le domaine de projection et le domaine d'image en même temps pour réaliser la solution optimale du problème de reconstruction d'image.
L'industrie actuelle utilise généralement des algorithmes d'imagerie TEP à faible dose dans le domaine de l'image, c'est-à-dire qu'une fois que l'équipement TEP/CT a produit l'image, la qualité de l'image est améliorée grâce au post-traitement de l'image. En raison du bruit important dans les images TEP à faible dose, ces bruits cachent de nombreuses structures fines dans les images TEP. Cette voie technique conduit généralement à des artefacts d'image, des erreurs quantitatives et une perte de structures fines. L'imagerie TEP traditionnelle a perdu beaucoup d'informations dans le processus de reconstruction. Il est extrêmement difficile de récupérer les informations perdues uniquement en traitant l'image à un stade ultérieur, et il est difficile d'améliorer la qualité de l'image finale. Afin de résoudre le problème de la qualité de l'image à la source, certains médecins et laboratoires ont développé de manière innovante des algorithmes d'apprentissage en profondeur basés sur des données brutes TEP et des images reconstruites (le quatrième type d'apprentissage de domaine hybride). L'algorithme intègre profondément l'IA dans le processus de reconstruction d'images TEP et utilise un apprentissage approfondi pour extraire les informations des données d'origine. En combinant le modèle physique de reconstruction TEP, l'objet de traitement est directement avancé vers les données d'origine à l'intérieur du dispositif d'imagerie, et l'algorithme de reconstruction est assisté pour améliorer la qualité de l'image reconstruite, ce qui réduit considérablement la perte d'informations efficaces, de sorte que pour obtenir des images TEP plus claires et plus fortes La capacité de détecter de petites lésions.
