ПЕТ/ЦТ је уређај за нуклеарну медицину који савршено интегрише ПЕТ и ЦТ системе. ПЕТ пружа детаљне молекуларне информације о функцији и метаболизму лезије, док ЦТ пружа прецизно анатомско позиционирање лезије, а једнократним снимањем могу се добити томографске слике целог тела. У поређењу са независним ПЕТ и ЦТ, ПЕТ/ЦТ може значајно побољшати осетљивост, тачност, специфичност и тачност позиционирања дијагнозе. Он може на први поглед разумети целокупно стање целог тела и постићи сврху раног откривања лезија и дијагностиковања болести. Углавном се користи за рано откривање и дијагностиковање великих болести у туморима, мозгу и срцу.
Према великим подацима Годишњег годишњег извештаја о раку објављеном 2018. године, у свету се процењује да има 18,1 милион нових случајева рака и 9,6 милиона смртних случајева од рака. У сваких 65 људи у нашој земљи постоји 1 оболели од рака, што је водећи узрок смрти. Према статистикама Светске здравствене организације, тренутне стопе излечења и стопе преживљавања различитих метода лечења нису задовољавајуће за људе. Главни разлози су то што је дијагноза прекасно, постављање је непрецизно, а лечење непотпуно. Пошто ПЕТ/ЦТ може уочити промене у ћелијском метаболизму у телу, могуће је разјаснити природу примарног тумора [ГГ] #39 (разликовање бенигних и малигних тумора, стадирање и класирање тумора) пре структурних и морфолошких промене и да ли постоје системске метастатске лезије (системска стања) Евалуација), како је ефекат (неколико дана или чак сати након радиотерапије може да уочи терапеутски ефекат тумора, на време прилагоди план лечења и радикално излечи непотпуно лечена лезија) итд. Осим тога, ПЕТ/ЦТ има јединствене предности у локализацији лезија епилепсије мозга пре операције, идентификацији радијационе некрозе и рецидива након лечења тумора, класификацији малигнитета тумора мозга и неуролошким обољењима.
Међутим, зрачење изазвано ПЕТ/ЦТ скенирањем често чини људе [ГГ] растресеним [ГГ]. Количина зрачења узета током ПЕТ/ЦТ прегледа целог тела је око 7,5 мСв. шта је овај концепт? У природи људи примају приближно 2,4 мСв природног зрачења сваке године, па се доза ПЕТ/ЦТ прегледа не може занемарити. Као одговор на проблеме са дозом зрачења зрачења и зрачења узрокованих ЦТ -ом и убризгавањем ПЕТ радиофармацеутика у ПЕТ/ЦТ скенирању, Свјетска здравствена организација, Међународна радиолошка комисија и Међународна организација за медицинску физику формулисале су стандарде осигурања квалитета медицинске изложености и контроле дозе, и снажно се залаже за излагање радијацији требало би да следи АЛАРА (најнижи могући ниво) принцип практичне легитимности и оптималне заштите. Очекује се да се најбоље дијагностичке слике могу добити са најмањом дозом зрачења и зрачења, уз додатно смањење трошкова ПЕТ/ЦТ прегледа и скраћивање времена скенирања.
Међутим, смањење убризганог радио -трагача појачаће Поиссонов шум, што ће утицати на квалитет слике, детекцију лезија и квантитативну тачност ПЕТ -а. Код снимања у малим дозама, многе кључне информације ће бити потопљене под повећаним нивоом буке. Редизајнирањем/оптимизирањем алгоритма реконструкције скенирања малим дозама, може се постићи најбољи компромис између нивоа шума и конвергенције сигнала. Да би се решили горе наведени изазови, предложени су многи алгоритми и технологије, који се углавном могу поделити на традиционалне алгоритме и алгоритме дубоког учења. Међу њима, традиционални алгоритми углавном укључују алгоритме за обраду/филтрирање након реконструкције, анатомске алгоритме за навођење, статистичко моделирање у процесу итеративне реконструкције и уклањање шума и корекцију ефекта парцијалне запремине под вођством МРИ. Иако ове методе покушавају минимизирати шум и квантитативне грешке, још увијек постоје проблеми са губитком просторне резолуције и прекомјерним заглађивањем.
Алгоритми дубоког учења препознали су способности у рјешавању сложених инверзних проблема, попут реконструкције слике из пројекција. Процес реконструкције слике ЦТ -а, ПЕТ -а и СПЕЦТ -а помоћу технологије дубоког учења има отприлике исте методе. Тренутно постоје четири главне стратегије: Прва метода је процес учења слика на слику, односно процес учења слика на слику се изводи у простору слике. Конверзија слике, обука мрежног модела за побољшање квалитета слике реконструисане слике кроз моделирање шумова и супер резолуције. Друга метода је процес учења синограм-то-синограм, односно обучавање модела дубоког учења у домену пројекције ради побољшања квалитета слике синограма како би се избегла осетљивост и зависност од алгоритма реконструкције. Трећи метод је процес учења синограма према слици, односно учење односа нелинеарног мапирања између домена пројекције и домена слике путем мрежног модела, потпуно уклањајући традиционални алгоритам реконструкције и генеришући слику у једном кораку. Четврта метода се може назвати хибридним учењем домена. Спајањем алгоритма реконструкције и дубоког учења, мрежни модел се истовремено обучава у пројекцијском домену и домену слике како би се постигло оптимално рјешење проблема реконструкције слике.
Тренутна индустрија опћенито користи алгоритме за снимање малих доза ПЕТ-а у домену слике, односно, након што ПЕТ/ЦТ опрема прикаже слику, квалитет слике се побољшава накнадном обрадом слике. Због великог шума на ниским дозама ПЕТ слика, ови шумови скривају многе фине структуре на ПЕТ сликама. Ова техничка рута обично доводи до артефаката слике, квантитативних грешака и губитка финих структура. Традиционално ПЕТ снимање изгубило је много информација у процесу реконструкције. Изузетно је тешко повратити изгубљене информације само обрадом слике у каснијој фази, а тешко је побољшати коначни квалитет слике. Да би решили проблем квалитета слике из извора, неке медицинске и лабораторије су иновативно развиле алгоритме дубоког учења засноване на ПЕТ необрађеним подацима и реконструисаним сликама (четврта врста хибридног учења у домену). Алгоритам дубоко уграђује АИ у процес реконструкције ПЕТ слике и користи дубоко учење за ископавање информација у оригиналним подацима. Комбиновањем физичког модела ПЕТ реконструкције, објекат за обраду се директно унапређује до изворних података унутар уређаја за снимање, а алгоритам за реконструкцију се помаже у побољшању квалитета реконструисане слике, што увелико смањује губитак ефективних информација, тако да за добијање јаснијих ПЕТ слика и јачу Способност откривања малих лезија.
