A carregar...
Publicação
Development of deep-learning-based denoising algorithms for fast whole-body [18F]FDG PET/CT scans
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 11.6 MB | Adobe PDF |
Orientador(es)
Resumo(s)
This study aims to assess the feasibility of reducing the acquisition time of whole-body 18Flabelled
fluorodeoxyglucose ([18F]FDG) positron emission tomography coupled with computed
tomography (PET/CT) scans through deep-learning-based denoising.
112 whole-body [18F]FDG PET/CT scans of patients with cancer were included. 92 were
employed in the training of three convolutional neural networks: 2D, 2.5D and 3D U-Nets.
Mean squared error (MSE) was the appointed loss function. The remaining 20 scans were set
aside for testing. The images were acquired on a Philips Vereos Digital PET/CT scanner. From
the standard-duration (70 seconds per axial field of view (AFOV)) raw data, fast scans were
simulated by cropping the data to 15, 20 and 30 s/AFOV. Reconstructionwas performed on-site
using the manufacturer’s protocol and following EARL1 standards. MSE, structural similarity
index measure (SSIM) and intraclass correlation coefficient (ICC) were used for a voxel-wise
comparison between the deep-learning-denoised (DL-denoised) fast scans and the reference
images (70 s/AFOV). Signal-to-noise ratio (SNR) was computed in regions with expected
uptake uniformity (liver and lungs) through the quotient between the mean standardised
uptake value (SUV) and the SUV standard deviation. On a tumour basis, quantification was
performed in terms of maximum SUV, mean SUV, SUV standard deviation, peak SUV, total
lesion glycolysis (TLG) and metabolic tumour volume (MTV) in both the lesions in the DLdenoised
and reference images. For benchmarking, Gaussian filter (GF), the state-of-the-art
denoising method, was implemented and its width optimised in the training set through MSE
minimisation relatively to the reference images.
The voxel-wise results revealed a strong agreement between the DL-denoised 15, 20 and
30-s/AFOV-based sets and the reference images, with an ICC equal or higher than 0.985. Quantification
in the liver and lungs unveiled the DL-denoised images to have higher SNR compared
to the original (fast), the GF-denoised and even the reference images. Tumour quantification
exposed variations in the lesions’ features that are not expected to have clinical impact, particularly
in the 20 and 30-s/AFOV-based sets. Deep-learning-based denoising outperformed
optimised Gaussian filter in every instance.
The deep-learning-based denoising models for fast whole-body [18F]FDG PET/CT scans
developed in this study proved to have potential to achieve images with clinically-suitable
quantitative parameters. The 20 s/AFOV scans with post-processing with the 2.5D U-Net or
the 3D U-Net seemed to be the best compromise between scan duration and image quality,
compared to the 15 and 30-s/AFOV-based scans.
O objetivo deste estudo é avaliar a exequibilidade da redução do tempo de aquisição de exames de tomografia por emissão de positrões aliada a tomografia computadorizada (PET/CT) com fluorodesoxiglicose marcada com flúor-18 ([18F]FDG) de corpo inteiro, através de um pósprocessamento com aprendizagem profunda (DL, do inglês deep learning). 112 exames PET/CT com [18F]FDG de corpo inteiro de pacientes com cancro foram incluídos. 92 foram utilizados no treino de três redes neuronais convolucionais: U-Nets 2D, 2.5D e 3D. O erro quadrático médio (MSE) foi utilizado como função-objetivo. Os restantes 20 exames foram reservados para teste. As imagens foram adquiridas num equipamento PET/CT Digital Philips Vereos. Das imagens padrão (70 segundos por campo de visão axial (AFOV)), imagens rápidas foram simuladas, cortando os dados para obter 15, 20 e 30 s/AFOV. A reconstrução foi feita localmente com o protocolo do fabricante e seguindo as normas EARL1. O MSE, a medida do índice de semelhança estrutural (SSIM) e o coeficiente de correlação intraclasse (ICC) foram utilizados para comparação vóxel-a-vóxel entre as imagens pós-processadas com DL e as de referência (70 s/AFOV). A razão sinal-ruído (SNR) foi calculada em regiões em que se espera captação uniforme (fígado e pulmões) através do quociente entre o valor médio de captação padrão (SUV) e o desvio padrão de SUV. Para a quantificação nos tumores, foram utilizados o SUV máximo, o SUV médio, o desvio padrão de SUV, o pico de SUV, a glicólise total da lesão (TLG) e o volume metabólico do tumor (MTV). Para análise comparativa, o filtro Gaussiano (GF) foi implementado e otimizado para o conjunto de treino por meio da minimização do MSE relativamente à referência. Os resultados da análise vóxel-a-vóxel revelaram forte concordância entre as imagens pósprocessadas com DL e as de referência, com um ICC igual ou superior a 0.985. A quantificação no fígado e nos pulmões mostrou que as imagens pós-processadas com DL apresentavam uma maior SNR do que as imagens rápidas originais, as pós-processadas com GF e mesmo do que as de referência. A quantificação nas lesões mostrou uma variação nas características que não se espera ter impacto clínico, em particular nas imagens resultantes das aquisições com 20 e 30 s/AFOV. O pós-processamento com DL superou o obtido com o GF em todas as ocasiões. A remoção de ruído de imagens PET/CT com [18F]FDG de corpo inteiro rápidas com base nos modelos de deep learning, desenvolvidos neste estudo, mostrou ter potencial para conseguir imagens com parâmetros quantitativos adequados para a clínica. As imagens adquiridas com 20 s/AFOV e pós-processamento, seja com a U-Net 2.5D seja com a 3D, pareceram ser o compromisso mais indicado entre a redução do tempo de aquisição e a qualidade de imagem.
O objetivo deste estudo é avaliar a exequibilidade da redução do tempo de aquisição de exames de tomografia por emissão de positrões aliada a tomografia computadorizada (PET/CT) com fluorodesoxiglicose marcada com flúor-18 ([18F]FDG) de corpo inteiro, através de um pósprocessamento com aprendizagem profunda (DL, do inglês deep learning). 112 exames PET/CT com [18F]FDG de corpo inteiro de pacientes com cancro foram incluídos. 92 foram utilizados no treino de três redes neuronais convolucionais: U-Nets 2D, 2.5D e 3D. O erro quadrático médio (MSE) foi utilizado como função-objetivo. Os restantes 20 exames foram reservados para teste. As imagens foram adquiridas num equipamento PET/CT Digital Philips Vereos. Das imagens padrão (70 segundos por campo de visão axial (AFOV)), imagens rápidas foram simuladas, cortando os dados para obter 15, 20 e 30 s/AFOV. A reconstrução foi feita localmente com o protocolo do fabricante e seguindo as normas EARL1. O MSE, a medida do índice de semelhança estrutural (SSIM) e o coeficiente de correlação intraclasse (ICC) foram utilizados para comparação vóxel-a-vóxel entre as imagens pós-processadas com DL e as de referência (70 s/AFOV). A razão sinal-ruído (SNR) foi calculada em regiões em que se espera captação uniforme (fígado e pulmões) através do quociente entre o valor médio de captação padrão (SUV) e o desvio padrão de SUV. Para a quantificação nos tumores, foram utilizados o SUV máximo, o SUV médio, o desvio padrão de SUV, o pico de SUV, a glicólise total da lesão (TLG) e o volume metabólico do tumor (MTV). Para análise comparativa, o filtro Gaussiano (GF) foi implementado e otimizado para o conjunto de treino por meio da minimização do MSE relativamente à referência. Os resultados da análise vóxel-a-vóxel revelaram forte concordância entre as imagens pósprocessadas com DL e as de referência, com um ICC igual ou superior a 0.985. A quantificação no fígado e nos pulmões mostrou que as imagens pós-processadas com DL apresentavam uma maior SNR do que as imagens rápidas originais, as pós-processadas com GF e mesmo do que as de referência. A quantificação nas lesões mostrou uma variação nas características que não se espera ter impacto clínico, em particular nas imagens resultantes das aquisições com 20 e 30 s/AFOV. O pós-processamento com DL superou o obtido com o GF em todas as ocasiões. A remoção de ruído de imagens PET/CT com [18F]FDG de corpo inteiro rápidas com base nos modelos de deep learning, desenvolvidos neste estudo, mostrou ter potencial para conseguir imagens com parâmetros quantitativos adequados para a clínica. As imagens adquiridas com 20 s/AFOV e pós-processamento, seja com a U-Net 2.5D seja com a 3D, pareceram ser o compromisso mais indicado entre a redução do tempo de aquisição e a qualidade de imagem.
Descrição
Palavras-chave
[18F]FDG PET/CT deep learning denoising molecular imaging oncology