Objectives

• 開發了基於深度學習的 time-of-flight (DLToF) 模型，以增強 non-ToF PET 影像，使其與 ToF PET 影像相當。
• 使用多種放射性追蹤劑（18F-FDG、18F-PSMA、68Ga-PSMA、68Ga-DOTATATE）訓練模型，適用於腫瘤、前列腺和神經內分泌腫瘤 PET 成像。
• 提供三種模型強度（低、中、高）以適應使用者對比度和雜訊的偏好。
• 證明了改善的病灶檢測和定量，特別是使用 DLToF-H 模型。

Methodology

• 在 PyTorch 中實現了具有殘差和跳躍連接的 3D U-Net 網路。
• 使用 mean squared error (MSE) 損失函數在監督式訓練中訓練 DLToF 網路。
• 使用 ADAM 演算法更新網路的可訓練參數。
• 訓練數據包括來自 11 個站點的 309 個數據集，使用 8 種不同的追蹤劑（75% FDG，25% non-FDG）。
• 調整目標 ToF 影像的 beta 值以定義每個模型（低、中、高）的對比度和雜訊屬性。

Results

• 使用 60 個測試數據集（每 4 個放射性追蹤劑 15 個檢查）進行定量評估。
• DLToF-H 減少了病灶 SUVmax 中的 non-ToF BSREM 誤差：
  • 18F-FDG：從 -39% 到 -6%（38 個病灶）。
  • 18F-PSMA：從 -42% 到 -7%（35 個病灶）。
  • 68Ga-PSMA：從 -34% 到 -4%（23 個病灶）。
  • 68Ga-DOTATATE：從 -34% 到 -12%（32 個病灶）。
• 臨床讀者研究（4 位讀者）顯示 DLToF-H 改善了病灶檢測，DLToF-L 具有最高的影像品質分數，DLToF-M 具有最佳的診斷信心分數。
• 肝臟雜訊測量顯示 DLToF-L 的雜訊低於 non-ToF BSREM，DLToF-H 的雜訊水平與 ToF 影像相似或略高。

Discussions

• 該研究展示了一種精心設計的深度學習方法，用於增強 non-ToF PET 影像。 然而，測試集選擇了具有小且低對比度病灶的影像，可能使結果偏向於強調 ToF 和 non-ToF 重建之間的差距。
• 讀者同時觀看一個受試者的所有 5 個影像系列，這可能會引入偏差，儘管這可能有助於識別假陽性或遺漏的病灶。
• 沒有針對多追蹤劑數據集的比例進行數據充分性實驗。 未來的工作應該解決這個問題。
• 該研究缺乏對 Omni Legend™ PET/CT 掃描儀上訓練模型的定量和臨床評估。 這應該是未來研究的重點。

---

Reference: Deep learning based time of flight ToF enhancement of non ToF PET scans for different radiotracers