创新进行时-金年会体育app手机注册

新闻|2021-04-29 17:05:00

创新进行时-ai赋能超低剂量pet成像
pet/ct 是 pet 与 ct 系统完美融为一体的核医学设备,由 pet 提供病灶详尽的功能与代谢等分子信息,而 ct 提供病灶的精确解剖定位,一次显像可获得全身各方位的断层图像。相比于独立的 pet 和 ct,pet/ct 可以显著提高诊断的灵敏度、准确性,特异性及定位精确等特点,可一目了然的了解全身整体状况,达到早期发现病灶和诊断疾病的目的,临床上主要应用于肿瘤、脑和心脏等领域重大疾病的早期发现和诊断。

2018 年发布的全球癌症年报大数据,全球预计有 1810 万癌症新发病例和 960 万癌症死亡病例。在我国每 65 个人当中就有 1 名癌症患者,居死亡原因之首。据世界卫生组织统计,目前各种治疗方法对肿瘤的治愈率和生存率都不太能让人满意,主因是诊断太迟、分期不准确、治疗不彻底。由于 pet/ct 能够观察体内细胞代谢的改变,故可以在结构形态改变之前明确肿瘤原发灶的性质(良恶性肿瘤的鉴别,肿瘤的分期、分级),有否全身转移病灶存在(全身情况的评估),疗效如何(在放疗后数天,甚至数小时就可以观察到肿瘤的治疗效果,以及时调整治疗方案,对治疗不彻底的病灶进行根治)等。除此之外,pet/ct在脑癫痫病灶手术前定位、肿瘤治疗后放射性坏死与复发的鉴别、脑肿瘤恶性程度分级以及神经疾病等方面具有独特优势。

▲2018年男女10大常见癌症的病例和死亡分布情况

但pet/ct扫描带来的辐射往往使人“谈虎色变”。一次pet/ct全身检查摄入的辐射量大约为7.5msv。这是什么概念呢?人在自然界中,每年大约会受到2.4msv的天然辐射,因此pet/ct检查的剂量不可忽视。针对 pet/ct 扫描中 ct 和注射的pet放射性药物带来的射线和射线的辐射剂量问题,世界卫生组织、国际放射委员会以及国际医学物理组织制订了医疗照射质量保证和剂量控制标准,并极力主张  射线照射应当遵循实践正当性、防护最优化的 alara(as low as reasonably achievable)原则,期望以最小的射线和射线辐射剂量获得最佳的诊断影像,同时进一步降低 pet/ct 的检查费用和减少扫描时间。

然而,减少注射的放射性示踪剂会放大泊松噪声,从而影响pet的图像质量、病变检测性和定量准确性。在低剂量成像中,许多关键信息将被淹没在增加的噪声水平下,通过重新设计/优化低剂量扫描的重建算法,以达到噪声水平和信号收敛之间的最佳权衡。为了解决上述挑战,人们提出了很多算法和技术,主要可以分为传统算法和深度学习算法。其中,传统算法主要包括重建后处理/过滤算法、解剖学指导算法、迭代重建过程中的统计建模,以及mri指导下的噪声去除和部分容积效应校正等。虽然这些方法试图将噪声和定量误差降到最低,但仍存在空间分辨率损失和过度平滑的问题。

深度学习算法在解决复杂的逆向问题方面具有公认的能力,例如从投影中进行图像重建。使用深度学习技术对ct、pet和spect进行图像重建的过程有着大致相同的方法,目前主要有四种策略:第一种方法为图像-to-图像的学习过程,即在图像空间中进行图像到图像的转换,训练一个网络模型将重建后的图像通过去噪、超分辨率建模等方式提高图像质量。第二种方法为正弦图-to-正弦图的学习过程,即在投影域中训练深度学习模型,提高正弦图的图像质量,以避免对重建算法的敏感性和依赖性。第三种方法为正弦图-to-图像的学习过程,即通过网络模型学习投影域和图像域之间的非线性映射关系,完全去除传统的重建算法,一步产生图像。第四种方法可称为混合域学习,通过将重建算法与深度学习的融合,同时在投影域和图像域来进行网络模型的训练,实现图像重建问题的最优解。

如何在降低辐射的同时,进一步提升医学影像的质量,是患者和医生共同关心的问题,这也正是明峰医疗着力攻克的技术难题。明峰医疗从2018年开始在新型低剂量pet成像算法研究方面进行了大量投入。在明峰研发团队的努力下,先后迭代了三代产品,实现了快速、高清的低剂量pet成像。我们希望能带来低成本、短时长、高质量的pet影像,致力于帮助更广大的患者群体,让医院和第三方影像中心可以更加迅速地完成pet扫描,服务更多的患者。

▲明峰医疗全数字化高超端pet/ct  scintcare pet/ct 750t

当前工业界一般使用的是图像域低剂量pet成像算法,即在pet/ct设备输出图像之后,通过图像后处理提升图像质量。由于低剂量pet图像中存在的较大的噪声,这些噪声掩盖了pet图像中的诸多细微结构,这种技术路线通常会导致图像伪影,定量误差以及细微结构丢失等问题。传统pet成像在重建的过程中已经损失了很多信息,后期仅对图像的处理是极难恢复丢失的信息的,最终图像质量也很难提升。为了从源头上解决图像质量问题,明峰医疗和之江实验室创新地研发了基于pet原始数据和重建图像的深度学习算法(第四类混合域学习)。该算法将ai深度嵌入到pet图像重建过程中,利用深度学习来挖掘原始数据中的信息。通过结合pet重建的物理模型,将处理对象直接推进至影像设备内部的原始数据,并辅助重建算法来提高重建图像质量,大大减少了有效信息的丢失,从而获取更清晰的pet图像和更强的小病灶检测能力。

在明峰医疗和之江实验室的共同努力下,这套自主研发的算法能够直接赋能影像设备,形成软硬件一体化系统。临床评估显示,明峰医疗研发的超低剂量pet重建技术,能够在减少身体扫描50%辐射剂量、头部扫描70%辐射剂量的情况下,实现信噪比、分辨率、定量精度的多目标优化。

超低剂量pet成像展示

病例信息:

▲左:50%低剂量图像,右:新型ai重建图像

上图中,新型ai重建图像的噪声水平大大低于传统低剂量重建结果(约为原来的50%),图像信噪比显著提升。

▲左:30%剂量重建图像 中:新型ai重建图像 右:全剂量图像

上图中,30%剂量下重建图像噪声水平非常高,图中部分细微结构丢失(右图中,如红色箭头所示,全剂量图像下显现的结构在低剂量图像中缺失),新型ai重建算法不仅在噪声上优于低剂量图像,另外由于充分利用原始数据,成功恢复出丢失的结构,展现出巨大的优势。
网站地图