PET/CT는 PET 및 CT 시스템을 완벽하게 통합하는 핵 의학 장치입니다. PET는 병변의 기능 및 대사에 대한 상세한 분자 정보를 제공하며 CT는 병변의 정확한 해부학적 위치를 제공하며 일회성 이미징은 전신의 지형 이미지를 얻을 수 있습니다. 독립적인 PET 및 CT와 비교하여 PET/CT는 진단의 감도, 정확성, 특이성 및 위치 지정 정확도를 크게 향상시킬 수 있습니다. 그것은 한눈에 전신의 전반적인 상태를 이해하고, 병변의 조기 발견과 질병의 진단의 목적을 달성 할 수 있습니다. 그것은 주로 조기 발견 및 종양에 주요 질병의 진단에 사용 됩니다., 두뇌와 심장 분야.
2018년에 발표된 글로벌 암 연례 보고서의 빅 데이터에 따르면 전 세계적으로 약 1,810만 건의 새로운 암 사례와 960만 건의 암 사망자가 발생했습니다. 우리 나라의 65명마다 1명의 암 환자가 있는데, 이는 사망의 주요 원인입니다. 세계보건기구(WHO)의 통계에 따르면, 현재 다양한 치료 방법의 치료율과 생존율은 사람들에게 만족스럽지 않다. 주된 이유는 진단이 너무 늦었고, 준비가 부정확하고, 치료가 불완전하다는 것입니다. PET/CT는 본체내 세포 대사의 변화를 관찰할 수 있기 때문에, 구조적 및 형태학적 변화 전에 종양의 1차 종양(양성 및 악성 종양의 분화, 종양 스테이징 및 채점)의 본질을 명확히 할 수 있으며, 전신 전이성 병변(전신 조건) 평가가 있는지 여부), 그 효과가 종양의 치료 효과를 관찰할 수 있는 방법(며칠 또는 몇 시간 또는 몇 시간 후에 방사선 요법후 치료 효과를 관찰할 수 있다). 치료 계획을 제 시간에 조정하고, 불완전하게 처리된 병변을 근본적으로 치료하십시오. 또한, PET/CT는 수술 전 뇌 간질 병변의 국소화, 종양 치료 후 방사선 괴사 및 재발의 식별, 뇌종양 악성 종양의 분류 및 신경 질환에 독특한 장점이 있다.
그러나 PET/CT 스캔으로 가져온 방사선은 종종 사람들을 "산만하게"합니다. PET/CT 전신 검사에서 채취한 방사선의 양은 약 7.5mSv입니다. 이 개념은 무엇입니까? 자연에서, 인간은 매년 약 2.4mSv의 자연 방사선을 수신하므로 PET / CT 검사의 복용량은 무시할 수 없습니다. CT와 PET/CT 스캔에 PET 방사선 의약품을 주입하여 방사선 및 방사선의 방사선 량 문제에 대응하여 세계보건기구, 국제 방사선학회 및 국제 의료 물리학 기구는 의료 노출 품질 보증 및 투여 량 관리 표준을 공식화했으며, 방사선 노출을 강력하게 옹호한 방사선 노출은 실용적인 정당성 및 최적 보호의 ALARA(합리적으로 달성 가능한 낮은) 원칙을 따라야 합니다. 최고의 진단 영상을 가장 작은 방사선 및 방사선 용량으로 얻을 수 있는 동시에 PET/CT 검사 비용을 더욱 절감하고 스캔 시간을 줄일 수 있을 것으로 예상됩니다.
그러나 주입된 방사성 추적자를 줄이면 푸아송 노이즈가 증폭되어 PET의 이미지 품질, 병변 감지 및 정량적 정확도에 영향을 미칩니다. 저용량 이미징에서는 많은 주요 정보가 증가된 소음 수준 아래에 잠수됩니다. 저용량 스캐닝의 재구성 알고리즘을 재설계/최적화함으로써 노이즈 레벨과 신호 수렴 사이의 최상의 절충을 달성할 수 있습니다. 위에서 언급한 과제를 해결하기 위해 많은 알고리즘과 기술이 제안되었으며, 이는 주로 전통적인 알고리즘과 딥 러닝 알고리즘으로 나눌 수 있습니다. 그 중에서도 기존의 알고리즘에는 주로 재구성 후 처리/필터링 알고리즘, 해부학 적 지도 알고리즘, 반복 적 재구성 프로세스의 통계 모델링, MRI의 지침에 따른 소음 제거 및 부분 볼륨 효과 보정이 포함됩니다. 이러한 방법은 소음및 정량적 오류를 최소화하려고 시도하지만 공간 해상도 손실과 과도한 스무딩에 여전히 문제가 있습니다.
딥 러닝 알고리즘은 프로젝션에서 이미지 재구성과 같은 복잡한 역 문제를 해결하는 기능을 인식했습니다. 딥 러닝 기술을 사용하는 CT, PET 및 SPECT의 이미지 재구성 프로세스는 거의 동일한 방법을 가지고 있습니다. 현재 네 가지 주요 전략이 있습니다: 첫 번째 방법은 이미지 대 이미지 학습 과정, 즉 이미지 대 이미지 학습 프로세스가 이미지 공간에서 수행됩니다. 이미지 변환, 디노이징 및 초해상도 모델링을 통해 재구성된 이미지의 이미지 품질을 향상시키기 위해 네트워크 모델을 교육합니다. 두 번째 방법은 시노그램-시노그램 학습 과정, 즉, 재건 알고리즘에 대한 민감도 및 의존성을 피하기 위해 시노그램의 이미지 품질을 향상시키기 위해 프로젝션 도메인에서 딥 러닝 모델을 학습하는 것이다. 세 번째 방법은 네트워크 모델을 통해 프로젝션 도메인과 이미지 도메인 간의 비선형 매핑 관계를 학습하고, 기존 재구성 알고리즘을 완전히 제거하고, 한 단계에서 이미지를 생성하는 sinogram-to-image 학습 프로세스이다. 네 번째 메서드는 하이브리드 도메인 학습이라고 할 수 있습니다. 재구성 알고리즘과 딥 러닝을 융합하여 네트워크 모델은 프로젝션 도메인과 이미지 도메인에서 동시에 학습되어 이미지 재구성 문제의 최적의 솔루션을 실현합니다.
현재 산업은 일반적으로 이미지 도메인에서 저용량 PET 이미징 알고리즘을 사용하며, 즉 PET/CT 장비가 이미지를 출력한 후 이미지 후 처리를 통해 이미지 품질이 향상됩니다. 저용량 PET 이미지의 큰 소음으로 인해 이러한 소음은 PET 이미지의 많은 미세 구조를 숨기습니다. 이 기술 경로는 일반적으로 이미지 아티팩트, 정량적 오류 및 미세 구조의 손실로 이어집니다. 전통적인 PET 화상 진찰은 재건 과정에서 많은 정보를 잃었습니다. 나중에 이미지를 처리해야만 손실된 정보를 회수하기가 매우 어렵고 최종 화질을 개선하기가 어렵습니다. 소스에서 이미지 품질의 문제를 해결하기 위해 일부 의료 및 실험실은 PET 원시 데이터와 재구성 된 이미지 (하이브리드 도메인 학습의 네 번째 유형)를 기반으로 딥 러닝 알고리즘을 혁신적으로 개발했습니다. 이 알고리즘은 PET 이미지 재구성 프로세스에 AI를 깊이 포함시키고 딥 러닝을 사용하여 원본 데이터의 정보를 채굴합니다. PET 재구성의 물리적 모델을 결합함으로써, 처리 객체는 이미징 장치 내부의 원본 데이터로 직접 진행되며, 재구성 알고리즘은 효과적인 정보의 손실을 크게 감소시켜, 보다 명확한 PET 영상을 얻고 작은 병변을 검출할 수 있는 능력을 크게 감소시키는 재구성된 이미지의 품질을 향상시키는 데 도움이 된다.







