Apa yang harus kita ketahui tentang PET/CT?
PET/CT adalah perangkat kedokteran nuklir yang mengintegrasikan sistem PET dan CT dengan sempurna. PET memberikan informasi molekuler terperinci tentang fungsi dan metabolisme lesi, sedangkan CT memberikan posisi anatomis lesi yang tepat, dan pencitraan satu kali dapat memperoleh gambar tomografi seluruh tubuh. Dibandingkan dengan PET dan CT independen, PET/CT dapat secara signifikan meningkatkan sensitivitas, akurasi, spesifisitas, dan akurasi posisi diagnosis. Ini dapat memahami kondisi keseluruhan seluruh tubuh secara sekilas, dan mencapai tujuan deteksi dini lesi dan diagnosis penyakit. Hal ini terutama digunakan untuk deteksi dini dan diagnosis penyakit utama di bidang tumor, otak dan jantung.
Menurut data besar Laporan Tahunan Kanker Global yang dirilis pada tahun 2018, diperkirakan ada 18,1 juta kasus kanker baru dan 9,6 juta kematian akibat kanker di seluruh dunia. Ada 1 pasien kanker di setiap 65 orang di negara kita, yang merupakan penyebab utama kematian. Menurut statistik dari Organisasi Kesehatan Dunia, tingkat kesembuhan saat ini dan tingkat kelangsungan hidup dari berbagai metode pengobatan tidak memuaskan bagi manusia. Alasan utamanya adalah diagnosisnya terlambat, stadiumnya tidak akurat, dan pengobatannya tidak lengkap. Karena PET/CT dapat mengamati perubahan metabolisme sel dalam tubuh, maka dimungkinkan untuk memperjelas sifat tumor primer tumor's tumor primer (diferensiasi tumor jinak dan ganas, staging dan grading tumor) sebelum struktural dan morfologis. perubahan, dan apakah ada lesi metastasis sistemik (kondisi sistemik) Evaluasi), bagaimana efeknya (beberapa hari atau bahkan beberapa jam setelah radioterapi dapat mengamati efek terapeutik tumor, menyesuaikan rencana perawatan tepat waktu, dan secara radikal menyembuhkan yang tidak lengkap lesi yang diobati), dll. Selain itu, PET/CT memiliki keunggulan unik dalam lokalisasi lesi epilepsi otak sebelum operasi, identifikasi nekrosis radiasi dan kekambuhan setelah pengobatan tumor, klasifikasi keganasan tumor otak, dan penyakit saraf.
Namun, radiasi yang dibawa oleh PET/CT scan sering membuat orang"terganggu". Jumlah radiasi yang diambil dalam pemeriksaan seluruh tubuh PET/CT adalah sekitar 7,5 mSv. apa konsep ini? Di alam, manusia menerima radiasi alam sekitar 2,4 mSv setiap tahun, sehingga dosis pemeriksaan PET/CT tidak dapat diabaikan. Menanggapi masalah dosis radiasi radiasi dan radiasi yang disebabkan oleh CT dan radiofarmasi PET yang disuntikkan dalam pemindaian PET/CT, Organisasi Kesehatan Dunia, Komisi Radiologi Internasional dan Organisasi Fisika Medis Internasional telah merumuskan jaminan kualitas paparan medis dan standar kontrol dosis, dan sangat dianjurkan Paparan radiasi harus mengikuti prinsip ALARA (As Low As Reasonably Achievable) tentang legitimasi praktis dan perlindungan optimal. Diharapkan gambar diagnostik terbaik dapat diperoleh dengan radiasi dan dosis radiasi terkecil, sekaligus mengurangi biaya inspeksi PET/CT dan mengurangi waktu pemindaian.
Namun, mengurangi radiotracer yang disuntikkan akan memperkuat noise Poisson, yang akan mempengaruhi kualitas gambar, deteksi lesi, dan akurasi kuantitatif PET. Dalam pencitraan dosis rendah, banyak informasi penting akan terendam di bawah tingkat kebisingan yang meningkat. Dengan mendesain ulang/mengoptimalkan algoritma rekonstruksi pemindaian dosis rendah, pertukaran terbaik antara tingkat kebisingan dan konvergensi sinyal dapat dicapai. Untuk mengatasi tantangan yang disebutkan di atas, banyak algoritma dan teknologi telah diusulkan, yang terutama dapat dibagi menjadi algoritma tradisional dan algoritma pembelajaran mendalam. Di antara mereka, algoritme tradisional terutama mencakup algoritme pemrosesan/pemfilteran pasca-rekonstruksi, algoritme panduan anatomi, pemodelan statistik dalam proses rekonstruksi berulang, dan penghilangan noise dan koreksi efek volume parsial di bawah panduan MRI. Meskipun metode ini mencoba untuk meminimalkan kebisingan dan kesalahan kuantitatif, masih ada masalah dengan hilangnya resolusi spasial dan pemulusan yang berlebihan.
Algoritme pembelajaran mendalam memiliki kemampuan yang diakui dalam memecahkan masalah invers yang kompleks, seperti rekonstruksi gambar dari proyeksi. Proses rekonstruksi citra CT, PET dan SPECT menggunakan teknologi deep learning memiliki metode yang kurang lebih sama. Saat ini ada empat strategi utama: Metode pertama adalah proses pembelajaran image-to-image, yaitu proses pembelajaran image-to-image dilakukan di ruang gambar. Konversi gambar, melatih model jaringan untuk meningkatkan kualitas gambar dari gambar yang direkonstruksi melalui denoising dan pemodelan resolusi super. Metode kedua adalah proses pembelajaran sinogram-ke-sinogram, yaitu melatih model deep learning dalam domain proyeksi untuk meningkatkan kualitas citra sinogram agar tidak sensitif dan ketergantungan pada algoritma rekonstruksi. Metode ketiga adalah proses pembelajaran sinogram-ke-gambar, yaitu, mempelajari hubungan pemetaan nonlinier antara domain proyeksi dan domain gambar melalui model jaringan, menghapus sepenuhnya algoritma rekonstruksi tradisional, dan menghasilkan gambar dalam satu langkah. Metode keempat bisa disebut pembelajaran domain hybrid. Dengan menggabungkan algoritma rekonstruksi dan pembelajaran mendalam, model jaringan dilatih dalam domain proyeksi dan domain gambar pada saat yang sama untuk mewujudkan solusi optimal dari masalah rekonstruksi gambar.
Industri saat ini umumnya menggunakan algoritma pencitraan PET dosis rendah dalam domain gambar, yaitu, setelah peralatan PET/CT mengeluarkan gambar, kualitas gambar ditingkatkan melalui pasca-pemrosesan gambar. Karena noise yang besar pada gambar PET dosis rendah, noise ini menyembunyikan banyak struktur halus dalam gambar PET. Rute teknis ini biasanya mengarah pada artefak gambar, kesalahan kuantitatif, dan hilangnya struktur halus. Pencitraan PET tradisional telah kehilangan banyak informasi dalam proses rekonstruksi. Sangat sulit untuk memulihkan informasi yang hilang hanya dengan memproses gambar pada tahap selanjutnya, dan sulit untuk meningkatkan kualitas gambar akhir. Untuk memecahkan masalah kualitas gambar dari sumbernya, beberapa medis dan laboratorium telah secara inovatif mengembangkan algoritma pembelajaran mendalam berdasarkan data mentah PET dan gambar yang direkonstruksi (jenis keempat pembelajaran domain hibrida). Algoritme menanamkan AI secara mendalam ke dalam proses rekonstruksi gambar PET, dan menggunakan pembelajaran mendalam untuk menggali informasi dalam data asli. Dengan menggabungkan model fisik rekonstruksi PET, objek pemrosesan langsung maju ke data asli di dalam perangkat pencitraan, dan algoritma rekonstruksi dibantu untuk meningkatkan kualitas gambar yang direkonstruksi, yang sangat mengurangi hilangnya informasi yang efektif, sehingga untuk mendapatkan gambar PET yang lebih jelas dan lebih kuat Kemampuan untuk mendeteksi lesi kecil.
