เราต้องรู้อะไรบ้างเกี่ยวกับ PET/CT?
PET/CT เป็นอุปกรณ์เวชศาสตร์นิวเคลียร์ที่ผสานรวมระบบ PET และ CT ได้อย่างลงตัว PET ให้ข้อมูลระดับโมเลกุลโดยละเอียดเกี่ยวกับการทำงานและการเผาผลาญของแผล ในขณะที่ CT ให้ตำแหน่งทางกายวิภาคที่แม่นยำของรอยโรค และการถ่ายภาพครั้งเดียวสามารถได้ภาพเอกซเรย์ของทั้งร่างกาย เมื่อเทียบกับ PET และ CT อิสระ PET/CT สามารถปรับปรุงความไว ความแม่นยำ ความจำเพาะ และความแม่นยำในการวินิจฉัยได้อย่างมาก สามารถเข้าใจสภาพโดยรวมของทั้งร่างกายได้อย่างรวดเร็ว และบรรลุวัตถุประสงค์ในการตรวจหารอยโรคและการวินิจฉัยโรคตั้งแต่เนิ่นๆ ส่วนใหญ่จะใช้สำหรับการตรวจหาและวินิจฉัยโรคที่สำคัญในระยะแรกเริ่มในเนื้องอก สมอง และหัวใจ
จากข้อมูลขนาดใหญ่ของรายงานประจำปีของโรคมะเร็งทั่วโลกที่เผยแพร่ในปี 2561 มีผู้ป่วยโรคมะเร็งรายใหม่ประมาณ 18.1 ล้านรายและผู้เสียชีวิตจากโรคมะเร็ง 9.6 ล้านรายทั่วโลก ประเทศเรามีผู้ป่วยโรคมะเร็ง 1 รายในทุกๆ 65 คน ซึ่งเป็นสาเหตุการเสียชีวิตอันดับต้นๆ จากสถิติขององค์การอนามัยโลก อัตราการรักษาในปัจจุบันและอัตราการรอดตายของวิธีการรักษาแบบต่างๆ ไม่เป็นที่พอใจของประชาชน สาเหตุหลักมาจากการวินิจฉัยช้าเกินไป การแสดงละครไม่ถูกต้อง และการรักษาไม่สมบูรณ์ เนื่องจาก PET/CT สามารถสังเกตการเปลี่ยนแปลงในการเผาผลาญของเซลล์ในร่างกาย จึงเป็นไปได้ที่จะชี้แจงลักษณะของเนื้องอก' เนื้องอกหลัก (ความแตกต่างของเนื้องอกที่อ่อนโยนและร้าย ระยะของเนื้องอก และการจัดลำดับ) ก่อนโครงสร้างและลักษณะทางสัณฐานวิทยา การเปลี่ยนแปลงและไม่ว่าจะมีเนื้อร้ายที่ลุกลามอย่างเป็นระบบหรือไม่ (เงื่อนไขทางระบบ) การประเมิน) ผลกระทบเป็นอย่างไร (ไม่กี่วันหรือหลายชั่วโมงหลังจากการฉายรังสีสามารถสังเกตผลการรักษาของเนื้องอก ปรับแผนการรักษาได้ทันท่วงที และรักษาให้หายขาดอย่างรุนแรง รักษารอยโรค) เป็นต้น นอกจากนี้ PET/CT ยังมีข้อดีเฉพาะในการแปลตำแหน่งของรอยโรคลมบ้าหมูในสมองก่อนการผ่าตัด การระบุเนื้อร้ายจากรังสีและการกลับเป็นซ้ำหลังการรักษาเนื้องอก การจำแนกประเภทของมะเร็งในสมอง และโรคทางระบบประสาท
อย่างไรก็ตาม การแผ่รังสีที่เกิดจากการสแกน PET/CT มักทำให้คน"ฟุ้งซ่าน" ปริมาณรังสีที่ถ่ายในการตรวจร่างกายด้วย PET/CT ทั้งหมดประมาณ 7.5mSv แนวคิดนี้คืออะไร? โดยธรรมชาติแล้ว มนุษย์จะได้รับรังสีธรรมชาติประมาณ 2.4mSv ในแต่ละปี ดังนั้นจึงไม่สามารถละเลยปริมาณของการตรวจ PET/CT ได้ ในการตอบสนองต่อปัญหาปริมาณรังสีของรังสีและการแผ่รังสีที่เกิดจาก CT และการฉีด PET radiopharmaceuticals ในการสแกน PET/CT องค์การอนามัยโลก คณะกรรมการรังสีสากลและองค์การฟิสิกส์การแพทย์ระหว่างประเทศได้กำหนดมาตรฐานการประกันคุณภาพการสัมผัสทางการแพทย์และการควบคุมปริมาณรังสี และการได้รับรังสีที่ได้รับการสนับสนุนอย่างแข็งขันควรปฏิบัติตามหลักการของ ALARA (ต่ำที่สุดเท่าที่ทำได้โดยสมเหตุสมผล) ของความชอบธรรมในทางปฏิบัติและการป้องกันที่เหมาะสมที่สุด คาดว่าจะได้ภาพการวินิจฉัยที่ดีที่สุดด้วยรังสีและปริมาณรังสีที่น้อยที่สุด ในขณะที่ลดต้นทุนของการตรวจสอบ PET/CT และลดเวลาในการสแกน
อย่างไรก็ตาม การลดเรดิโอเทรเซอร์ที่ฉีดเข้าไปจะขยายสัญญาณรบกวนแบบปัวซอง ซึ่งจะส่งผลต่อคุณภาพของภาพ การตรวจจับรอยโรค และความแม่นยำเชิงปริมาณของ PET ในการถ่ายภาพในขนาดต่ำ ข้อมูลสำคัญจำนวนมากจะจมอยู่ใต้ระดับเสียงรบกวนที่เพิ่มขึ้น ด้วยการออกแบบใหม่/เพิ่มประสิทธิภาพอัลกอริธึมการสร้างใหม่ของการสแกนด้วยปริมาณรังสีต่ำ การแลกเปลี่ยนที่ดีที่สุดระหว่างระดับเสียงและการบรรจบของสัญญาณสามารถทำได้ เพื่อที่จะแก้ปัญหาที่กล่าวข้างต้น เราได้เสนออัลกอริทึมและเทคโนโลยีจำนวนมาก ซึ่งสามารถแบ่งออกเป็นอัลกอริธึมแบบดั้งเดิมและอัลกอริธึมการเรียนรู้เชิงลึกได้เป็นส่วนใหญ่ ในหมู่พวกเขา อัลกอริธึมแบบดั้งเดิมส่วนใหญ่ประกอบด้วยอัลกอริธึมการประมวลผลหลังการสร้างใหม่/การกรอง อัลกอริธึมการแนะนำทางกายวิภาค การสร้างแบบจำลองทางสถิติในกระบวนการสร้างใหม่แบบวนซ้ำ และการกำจัดสัญญาณรบกวนและการแก้ไขเอฟเฟกต์ระดับเสียงบางส่วนภายใต้การแนะนำของ MRI แม้ว่าวิธีการเหล่านี้จะพยายามลดสัญญาณรบกวนและข้อผิดพลาดเชิงปริมาณ แต่ก็ยังมีปัญหากับการสูญเสียความละเอียดเชิงพื้นที่และการปรับให้เรียบมากเกินไป
อัลกอริธึมการเรียนรู้เชิงลึกได้รับการยอมรับถึงความสามารถในการแก้ปัญหาผกผันที่ซับซ้อน เช่น การสร้างภาพขึ้นใหม่จากการฉายภาพ กระบวนการสร้างภาพของ CT, PET และ SPECT ขึ้นใหม่โดยใช้เทคโนโลยีการเรียนรู้เชิงลึกมีวิธีการเดียวกันโดยประมาณ ขณะนี้มีสี่กลยุทธ์หลัก: วิธีแรกคือกระบวนการเรียนรู้จากภาพสู่ภาพ กล่าวคือ กระบวนการเรียนรู้จากภาพสู่ภาพจะดำเนินการในพื้นที่ภาพ การแปลงภาพ การฝึกโมเดลเครือข่ายเพื่อปรับปรุงคุณภาพของภาพที่สร้างใหม่ผ่านการสร้างแบบจำลองที่มีความละเอียดสูง วิธีที่สองคือกระบวนการเรียนรู้จากซิโนแกรมเป็นซิโนแกรม นั่นคือ การฝึกโมเดลการเรียนรู้เชิงลึกในโดเมนการฉายภาพเพื่อปรับปรุงคุณภาพของภาพซิโนแกรมเพื่อหลีกเลี่ยงความอ่อนไหวและการพึ่งพาอัลกอริธึมการสร้างใหม่ วิธีที่สามคือกระบวนการเรียนรู้แบบซิโนแกรมสู่ภาพ นั่นคือ การเรียนรู้ความสัมพันธ์การแมปแบบไม่เชิงเส้นระหว่างโดเมนการฉายภาพและโดเมนภาพผ่านโมเดลเครือข่าย การลบอัลกอริทึมการสร้างใหม่แบบเดิมโดยสิ้นเชิง และสร้างภาพในขั้นตอนเดียว วิธีที่สี่เรียกว่าการเรียนรู้แบบไฮบริดโดเมน ด้วยการหลอมรวมอัลกอริธึมการสร้างใหม่และการเรียนรู้อย่างลึกซึ้ง โมเดลเครือข่ายได้รับการฝึกอบรมในโดเมนการฉายภาพและโดเมนภาพพร้อมกันเพื่อให้ทราบถึงวิธีแก้ปัญหาที่เหมาะสมที่สุดของปัญหาการสร้างภาพใหม่
อุตสาหกรรมปัจจุบันโดยทั่วไปใช้อัลกอริธึมการถ่ายภาพ PET ขนาดต่ำในโดเมนของภาพ นั่นคือ หลังจากที่อุปกรณ์ PET/CT ส่งออกภาพ คุณภาพของภาพจะดีขึ้นผ่านการประมวลผลภาพภายหลัง เนื่องจากสัญญาณรบกวนขนาดใหญ่ในภาพ PET ขนาดต่ำ เสียงเหล่านี้จึงปิดบังโครงสร้างที่ดีจำนวนมากในรูปภาพ PET เส้นทางทางเทคนิคนี้มักจะนำไปสู่สิ่งประดิษฐ์ของภาพ ข้อผิดพลาดเชิงปริมาณ และการสูญเสียโครงสร้างที่ดี การถ่ายภาพ PET แบบดั้งเดิมได้สูญเสียข้อมูลจำนวนมากในกระบวนการสร้างใหม่ เป็นการยากมากที่จะกู้คืนข้อมูลที่สูญหายโดยการประมวลผลภาพในระยะหลังๆ เท่านั้น และเป็นการยากที่จะปรับปรุงคุณภาพของภาพขั้นสุดท้าย เพื่อแก้ปัญหาคุณภาพของภาพจากแหล่งที่มา ห้องปฏิบัติการทางการแพทย์และห้องปฏิบัติการบางแห่งได้พัฒนาอัลกอริธึมการเรียนรู้เชิงลึกอย่างสร้างสรรค์โดยอิงจากข้อมูลดิบของ PET และภาพที่สร้างขึ้นใหม่ (การเรียนรู้โดเมนไฮบริดแบบที่สี่) อัลกอริธึมฝัง AI อย่างล้ำลึกในกระบวนการสร้างภาพ PET ใหม่ และใช้การเรียนรู้เชิงลึกเพื่อขุดข้อมูลในข้อมูลต้นฉบับ ด้วยการรวมแบบจำลองทางกายภาพของการสร้าง PET ขึ้นใหม่ วัตถุที่กำลังประมวลผลจะถูกนำไปยังข้อมูลดั้งเดิมภายในอุปกรณ์สร้างภาพโดยตรง และอัลกอริธึมการสร้างใหม่จะช่วยปรับปรุงคุณภาพของภาพที่สร้างขึ้นใหม่ ซึ่งช่วยลดการสูญเสียข้อมูลที่มีประสิทธิภาพได้อย่างมาก เพื่อให้ได้ภาพ PET ที่ชัดเจนและแข็งแรงขึ้น ความสามารถในการตรวจจับรอยโรคขนาดเล็ก
