PET / CTは、PETシステムとCTシステムを完全に統合した核医学装置です。 PETは病変の機能と代謝に関する詳細な分子情報を提供し、CTは病変の正確な解剖学的ポジショニングを提供し、ワンタイムイメージングは全身の断層画像を取得できます。 独立したPETおよびCTと比較して、PET / CTは、診断の感度、精度、特異性、および測位精度を大幅に向上させることができます。 全身の状態が一目でわかり、病変の早期発見や病気の診断を目的としています。 これは主に、腫瘍、脳、心臓の分野における主要な疾患の早期発見と診断に使用されます。
2018年に発表されたGlobalCancer Annual Reportのビッグデータによると、世界中で推定1,810万人の新しいがんの症例と960万人のがんによる死亡があります。 我が国では65人に1人のがん患者がおり、これが主な死因です。 世界保健機関の統計によると、さまざまな治療法の現在の治癒率と生存率は人々にとって満足のいくものではありません。 主な理由は、診断が遅すぎること、病期分類が不正確であること、および治療が不完全であることです。 PET / CTは体内の細胞代謝の変化を観察できるため、構造的および形態学的な前に、腫瘍の性質&＃39;の原発腫瘍（良性腫瘍と悪性腫瘍の分化、腫瘍の病期分類および悪性度）を明らかにすることができます。変化、および全身性転移性病変（全身状態）の評価）、効果の程度（放射線療法の数日後または数時間後でも腫瘍の治療効果を観察し、治療計画を時間内に調整し、不完全な部分を根本的に治癒することができます）さらに、PET / CTは、手術前の脳てんかん病変の位置特定、腫瘍治療後の放射線壊死と再発の特定、脳腫瘍の悪性腫瘍の分類、および神経疾患において独自の利点があります。
しかし、PET / CTスキャンによってもたらされる放射線は、しばしば人々を& quot;気を散らす& quot;にします。 PET / CT全身検査で受ける放射線量は約7.5mSvです。 この概念は何ですか？ 自然界では、人間は毎年約2.4mSvの自然放射線を受けているため、PET / CT検査の線量は無視できません。 CTおよびPET / CTスキャンで注入されたPET放射性医薬品によって引き起こされる放射線および放射線の放射線量の問題に対応して、世界保健機関、国際放射線委員会、および国際医学物理学機関は、医療被ばくの質の保証および線量管理基準を策定しました。そして強く提唱されている放射線被ばくは、実用的な正当性と最適な保護というALARA（合理的に達成可能な限り低い）の原則に従うべきです。 PET / CT検査のコストをさらに削減し、スキャン時間を短縮しながら、最小の放射線量と放射線量で最良の診断画像を取得できることが期待されます。
ただし、注入された放射性トレーサーを減らすと、ポアソンノイズが増幅され、PETの画質、病変の検出、および定量的な精度に影響します。 低線量イメージングでは、多くの重要な情報がノイズレベルの増加の下に沈みます。 低線量スキャンの再構成アルゴリズムを再設計/最適化することにより、ノイズレベルと信号収束の間の最良のトレードオフを達成できます。 上記の課題を解決するために、多くのアルゴリズムと技術が提案されており、それらは主に従来のアルゴリズムと深層学習アルゴリズムに分けることができます。 その中で、従来のアルゴリズムには、主に再構成後の処理/フィルタリングアルゴリズム、解剖学的ガイダンスアルゴリズム、反復再構成プロセスでの統計モデリング、MRIのガイダンスの下でのノイズ除去と部分ボリューム効果補正が含まれます。 これらの方法は、ノイズと定量的エラーを最小限に抑えようとしますが、空間分解能の低下と過度の平滑化には依然として問題があります。
深層学習アルゴリズムは、投影からの画像再構成など、複雑な逆問題を解決する機能を認識しています。 深層学習技術を使用したCT、PET、SPECTの画像再構成プロセスはほぼ同じ方法です。 現在、4つの主要な戦略があります。最初の方法は画像から画像への学習プロセスです。つまり、画像から画像への学習プロセスは画像空間で実行されます。 画像変換、ノイズ除去と超解像モデリングを通じて再構成された画像の画質を改善するためのネットワークモデルのトレーニング。 2番目の方法は、サイノグラムからサイノグラムへの学習プロセスです。つまり、投影領域で深層学習モデルをトレーニングして、サイノグラムの画質を改善し、感度と再構成アルゴリズムへの依存を回避します。 3番目の方法は、サイノグラムから画像への学習プロセスです。つまり、ネットワークモデルを介して投影ドメインと画像ドメイン間の非線形マッピング関係を学習し、従来の再構成アルゴリズムを完全に削除して、1つのステップで画像を生成します。 4番目の方法はハイブリッドドメイン学習と呼ぶことができます。 再構成アルゴリズムと深層学習を融合することにより、ネットワークモデルは、画像再構成問題の最適解を実現するために、射影領域と画像領域で同時にトレーニングされます。
現在の業界では、一般に画像領域で低線量のPETイメージングアルゴリズムを使用しています。つまり、PET / CT装置が画像を出力した後、画像の後処理によって画質が向上します。 低線量PET画像には大きなノイズがあるため、これらのノイズはPET画像の多くの微細構造を隠します。 この技術的なルートは、通常、画像のアーティファクト、定量的なエラー、および微細構造の喪失につながります。 従来のPETイメージングでは、再構成プロセスで多くの情報が失われていました。 失われた情報を後の段階で処理するだけで回復することは非常に困難であり、最終的な画質を向上させることは困難です。 ソースからの画質の問題を解決するために、一部の医療および研究所は、PET生データと再構成画像に基づく深層学習アルゴリズムを革新的に開発しました（ハイブリッドドメイン学習の4番目のタイプ）。 このアルゴリズムは、AIをPET画像再構成プロセスに深く組み込み、ディープラーニングを使用して元のデータの情報をマイニングします。 PET再構成の物理モデルを組み合わせることにより、処理オブジェクトはイメージングデバイス内の元のデータに直接進められ、再構成アルゴリズムは再構成された画像の品質を向上させるために支援され、有効な情報の損失を大幅に削減します。より鮮明なPET画像とより強力な小さな病変を検出する能力を取得します。
