⚡ विद्युत इंजीनियरिंग

Quantitative comparison of CT-free attenuation correction frameworks of PET imaging in LAFOV PET/CT systems

यह अध्ययन LAFOV PET/CT प्रणालियों के लिए छह CT-मुक्त एटेन्यूएशन करेक्शन फ्रेमवर्कों का एक एकीकृत, CT-स्वतंत्र मूल्यांकन प्रस्तुत करता है, जो यह प्रदर्शित करता है कि डीप लर्निंग-जनरेटेड एटेन्यूएशन मैप्स के साथ MLACF संवर्धन को संयोजित करने वाला एक हाइब्रिड दृष्टिकोण उच्चतम मात्रात्मक सटीकता प्राप्त करता है और साथ ही बाहरी कम-एटेन्यूएटिंग वस्तुओं के PET मात्रा निर्धारण पर महत्वपूर्ण प्रभाव को रेखांकित करता है।

मूल लेखक: Konstantinos D. Vrakidis, Maqsood M. Yaqub, Mohammadreza Teimoorisichani, Charlotte L.C. Smith, Marijke E. den Hollander, Catharina W. Menke-van der Houven van Oordt, Idris Bahce, Josee M. Zijlstra, G

प्रकाशित 2026-10-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Konstantinos D. Vrakidis, Maqsood M. Yaqub, Mohammadreza Teimoorisichani, Charlotte L.C. Smith, Marijke E. den Hollander, Catharina W. Menke-van der Houven van Oordt, Idris Bahce, Josee M. Zijlstra, Gerben J.C. Zwezerijnen, Ronald Boellaard

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मेडिकल इमेजिंग की दुनिया में, डॉक्टर अक्सर यह देखने के लिए कि शरीर कोशिकीय स्तर पर कैसे कार्य कर रहा है, 'पॉज़िट्रॉन एमिशन टोमोग्राफी' या PET नामक तकनीक का उपयोग करते हैं। ऐसा करने के लिए, रोगी को रेडियोधर्मी ट्रेसर की एक छोटी मात्रा दी जाती है जो उच्च गतिविधि वाले क्षेत्रों, जैसे कि ट्यूमर, को उजागर करती है। हालाँकि, जैसे ही ये संकेत शरीर के माध्यम से पता लगाने के लिए यात्रा करते हैं, हड्डी, मांसपेशी और वसा जैसे ऊतकों द्वारा इन्हें कमजोर या अवशोषित कर लिया जाता है। एक सटीक चित्र बनाने के लिए, कंप्यूटर को यह जानने की आवश्यकता होती है कि शरीर इन संकेतों को कितना रोक रहा है। पारंपरिक रूप से, यह PET स्कैन से ठीक पहले एक त्वरित एक्स-रे स्कैन, जिसे कंप्यूटेड टोमोग्राफी या CT स्कैन कहा जाता है, लेकर किया जाता रहा है। CT स्कैन शरीर के घनत्व (डेंसिटी) का एक मानचित्र प्रदान करता है, जिससे कंप्यूटर PET इमेज को सही कर पाता है।

हालाँकि कम खुराक वाले CT स्कैन से निकलने वाला विकिरण आम तौर पर सुरक्षित माना जाता है, फिर भी यह एक अतिरिक्त विकिरण खुराक है जो रोगी को मिलने वाले कुल एक्सपोज़र में जुड़ जाती है। यह नवीनतम पीढ़ी के PET स्कैनर के साथ एक अधिक महत्वपूर्ण चिंता बन जाती है, जो इतने संवेदनशील हैं कि वे पहले की तुलना में बहुत कम रेडियोधर्मी ट्रेसर का उपयोग करके उच्च-गुणवत्ता वाली छवियां बना सकते हैं। क्योंकि PET वाला हिस्सा अब इतना सौम्य हो गया है, इसलिए CT वाला हिस्सा, जो कभी कुल विकिरण में एक मामूली योगदानकर्ता था, वास्तव में एक्सपोज़र का सबसे बड़ा स्रोत बन सकता है। इसने शोधकर्ताओं को एक महत्वपूर्ण प्रश्न पूछने के लिए प्रेरित किया है: क्या बिना CT स्कैन के उपयोग के सटीक PET इमेज बनाना संभव है? यदि वे ऐसा कर सकते हैं, तो वे अतिरिक्त विकिरण को पूरी तरह से समाप्त कर सकते हैं, जिससे बच्चों, गर्भवती रोगियों और बार-बार निगरानी की आवश्यकता वाले लोगों के लिए ये स्कैन सुरक्षित हो जाएंगे।

एम्स्टर्डम UMC की एक टीम ने, Siemens Healthineers के सहयोगियों के साथ मिलकर, इन "CT-मुक्त" छवियों को बनाने के लिए कई अलग-अलग तरीकों का परीक्षण करके इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने एक नए प्रकार के स्कैनर पर ध्यान केंद्रित किया जिसमें देखने का क्षेत्र बहुत लंबा होता है, जो ऊपर बताए गए अल्ट्रा-लो-डोज इमेजिंग की अनुमति देता है। शोधकर्ताओं ने यह देखना चाहा कि क्या वे शरीर के घनत्व मानचित्र को किसी और चीज़ से बदल सकते हैं। उन्होंने दो मुख्य दृष्टिकोणों का परीक्षण किया। पहला एक भौतिकी-आधारित (physics-based) तरीका था जिसने शरीर का मानचित्र बनाने के लिए स्कैनर के अपने आंतरिक बैकग्राउंड रेडिएशन का उपयोग किया। दूसरा एक आर्टिफिशियल इंटेलिजेंस (AI) तरीका था जिसने केवल अनकॉर्डेक्टेड (uncorrected) PET इमेज के आधार पर शरीर के घनत्व का अनुमान लगाने के लिए एक कंप्यूटर प्रोग्राम का उपयोग किया। उन्होंने इन अनुमानों को परिष्कृत करने के लिए उन्नत गणितीय एल्गोरिदम के साथ संयोजित किए गए हाइब्रिड संस्करणों का भी परीक्षण किया।

एक निष्पक्ष परीक्षण सुनिश्चित करने के लिए, टीम ने बारह वास्तविक रोगियों के डेटा का उपयोग किया जिन्होंने मानक PET स्कैन कराए थे। उन्होंने केवल सर्वश्रेष्ठ मामलों को नहीं चुना; उन्होंने कच्चे डेटा का बिल्कुल वैसे ही उपयोग किया जैसा वह था, जिसमें रोगी द्वारा की गई कोई भी हलचल या उनके शरीर में मौजूद कोई धातु का इम्प्लांट भी शामिल था। उन्होंने अपने छह अलग-अलग CT-मुक्त तरीकों की तुलना मानक छवियों से की, जिनमें CT स्कैन का उपयोग संदर्भ के रूप में किया गया था। लक्ष्य यह देखना था कि सटीकता के मामले में नए तरीके पारंपरिक तरीकों से कितने करीब हैं, विशेष रूप से स्वस्थ अंगों और कैंसर के घावों (lesions) में छवियों की चमक को देखते हुए।

परिणामों ने दिखाया कि आर्टिफिशियल इंटेलिजेंस वाला दृष्टिकोण अकेले भौतिकी-आधारित पद्धति की तुलना में कहीं अधिक बेहतर था। AI द्वारा बनाई गई छवियां मानक CT-आधारित छवियों के बहुत करीब थीं, जिनमें चमक का अंतर बहुत कम था। हालाँकि, AI पद्धति की एक विशिष्ट कमजोरी थी: यह कभी-कभी धातु के इम्प्लांट या शरीर के भीतर हवा के पॉकेट जैसी बारीकियों को मिस कर देती थी क्योंकि इसे इमेज से अनुमान लगाना पड़ता था। जब शोधकर्ताओं ने AI पद्धति को गणितीय परिशोधन एल्गोरिदम (mathematical refinement algorithm) के साथ जोड़ा, तो परिणाम और भी बेहतर हो गए। इस हाइब्रिड दृष्टिकोण ने कई छोटी त्रुटियों, जैसे कि गायब धातु या हवा के पॉकेट, को सफलतापूर्वक ठीक किया और सभी परीक्षण किए गए तरीकों में सबसे सटीक छवियां बनाईं।

इन सफलताओं के बावजूद, अध्ययन ने एक महत्वपूर्ण समस्या को उजागर किया जो सभी CT-मुक्त तरीकों को प्रभावित करती है: शरीर के बाहर की वस्तुओं की उपस्थिति। तकिए, कंबल या कपड़े जैसी चीजें जिन्हें रोगी स्कैन के दौरान पहनता है या जिन पर लेटा होता है, PET इमेज में दिखाई नहीं देती हैं क्योंकि उनमें रेडियोधर्मी ट्रेसर नहीं होता है। एक मानक CT स्कैन में, ये वस्तुएं स्पष्ट रूप से दिखाई देती हैं और उनके प्रभाव को सुधारा जाता है। CT-मुक्त तरीकों में, कंप्यूटर बस यह नहीं जानता कि वे वहां हैं। शोधकर्ताओं ने पाया कि इन वस्तुओं को अनदेखा करने से अंतिम छवियों में चमक का लगातार कम अनुमान लगा, जिससे त्रुटियां औसतन छह प्रतिशत रही। यह सुझाव देता है कि जबकि तकनीक शरीर का मानचित्र बनाने में बहुत अच्छी हो रही है, यह रोगी के आसपास के वातावरण को समझने में अभी भी संघर्ष करती है।

अध्ययन ने समय (timing) के महत्व पर भी प्रकाश डाला। कुछ स्कैन में, CT स्कैन और PET स्कैन के बीच एक लंबा अंतराल था, जिससे रोगी थोड़ा हिल गया। इस हलचल के कारण मानक CT-आधारित छवियां PET डेटा के साथ थोड़ी गलत संरेखित (misaligned) हो गईं, जिससे संदर्भ छवियों में ही त्रुटियां पैदा हुईं। CT-मुक्त तरीके, जो केवल PET डेटा से उत्पन्न होते हैं, रोगी की स्थिति के साथ पूरी तरह से संरेखित रहे। इन मामलों में, CT-मुक्त छवियां मानक पद्धति की तुलना में रोगी की वास्तविक शारीरिक संरचना (anatomy) के साथ अधिक सुसंगत थीं, जो हलचल के कारण विकृत हो गई थी। यह सुझाव देता है कि जो रोगी पूरी तरह स्थिर नहीं रह सकते, उनके लिए CT-मुक्त तरीके अधिक विश्वसनीय चित्र प्रदान कर सकते हैं, भले ही तकनीक अभी पूर्ण न हो।

अंततः, अनुसंधान इंगित करता है कि एक हाइब्रिड सिस्टम, जो शरीर के घनत्व का अनुमान लगाने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करता है और फिर उस अनुमान को भौतिकी-आधारित गणित के साथ परिष्कृत करता है, CT-मुक्त PET इमेजिंग के लिए सबसे आशाजनक मार्ग है। यह उच्चतम सटीकता और CT स्कैन से मिलने वाले अतिरिक्त विकिरण खुराक को समाप्त करने का सबसे अच्छा अवसर प्रदान करता है। हालाँकि, शोधकर्ताओं ने जोर देकर कहा कि इस तकनीक को व्यापक नैदानिक उपयोग के लिए तैयार होने के लिए, भविष्य के विकास को कपड़ों और तकियों जैसी बाहरी वस्तुओं का सटीक रूप से हिसाब रखने का तरीका खोजना होगा। जब तक उन वस्तुओं को सही ढंग से नहीं संभाला जाता, वे निदान में छोटी लेकिन मापने योग्य त्रुटियां पैदा करती रहेंगी। यह कार्य दर्शाता है कि जबकि पूरी तरह से विकिरण-मुक्त PET स्कैन का सपना पहुंच के भीतर है, अंतिम चरणों के लिए रोगी की स्थिति और उनके द्वारा पहने जाने वाले कपड़ों के व्यावहारिक विवरणों को हल करना आवश्यक है।

तकनीकी सारांश: LAFOV PET/CT में CT-मुक्त क्षीणन सुधार (Attenuation Correction) ढांचों का मात्रात्मक तुलनात्मक अध्ययन

समस्या विवरण
लॉन्ग एक्सियल फील्ड-ऑफ-व्यू (LAFOV) PET/CT प्रणालियों के उदय ने काफी कम इंजेक्टेड रेडियोट्रेसर गतिविधियों के साथ नैदानिक-गुणवत्ता वाली इमेजिंग को सक्षम बनाया है। जबकि यह PET घटक से होने वाले विकिरण भार को कम करता है, यह कुल रोगी विकिरण खुराक में CT घटक के सापेक्ष योगदान को बढ़ाता है। इसके अलावा, CT-आधारित क्षीणन सुधार (AC) आयनकारी विकिरण का एक स्रोत बना हुआ है और गति बेमेल (motion mismatches), धातु आर्टिफ़ैक्ट्स और फोटॉन भुखमरी (photon starvation) के कारण मात्रात्मक त्रुटियों के प्रति संवेदनशील है। फलस्वरूप, CT-मुक्त PET ढांचे के प्रति बढ़ती रुचि है। हालांकि, मौजूदा साहित्य में इन ढांचों की एक एकीकृत, प्रत्यक्ष तुलना का अभाव है। पिछले अध्ययन अक्सर मूल्यांकन पद्धतियों में भिन्न होते हैं, जैसे कि रोगी बेड प्लेसमेंट के लिए स्कैन-विशिष्ट CT डेटा का उपयोग करना या मिसअलाइनमेंट को ठीक करने के लिए इमेज रजिस्ट्रेशन का उपयोग करना, जो वास्तविक CT-मुक्त प्रदर्शन के मूल्यांकन को जटिल बनाता है। इसके अतिरिक्त, रोगी के शरीर के बाहर स्थित निम्न-क्षीणन वस्तुओं (LAOs) (जैसे, स्थिरीकरण उपकरण, कपड़े) का मात्रात्मकता पर प्रभाव अक्सर अनसुना रह जाता है।

कार्यप्रणाली
इस अध्ययन ने Biograph Vision Quadra LAFOV PET/CT सिस्टम पर एक CT-आधारित संदर्भ के विरुद्ध छह अलग-अलग CT-मुक्त क्षीणन सुधार ढांचों का एक हेड-टू-हेड, एकीकृत और CT-स्वतंत्र मूल्यांकन किया।

डेटा: अध्ययन ने 12 ऑन्कोलॉजिकल रोगियों के एक रेट्रोस्पेक्टिव डेटासेट का उपयोग किया जिन्होंने मानक नैदानिक प्रोटोकॉल और विशिष्ट ट्रांसमिशन स्कैन दोनों का अनुभव किया था। डेटासेट में दो प्रोटोकॉल शामिल थे: एक शॉर्ट-इंटरवल प्रोटोकॉल (LD-CT जिसके तुरंत बाद 8 मिनट का स्टैटिक PET) और एक लॉन्ग-इंटरवल प्रोटोकॉल (LD-CT जिसके बाद 70 मिनट का डायनेमिक PET, जिसमें 5 मिनट का LSO-Tx स्कैन शामिल था)। AI घटकों को प्रशिक्षित करने के लिए विशेष रूप से 114 रोगियों के एक अलग समूह का उपयोग किया गया था।
जांचे गए ढांचे: छह CT-मुक्त दृष्टिकोणों को दो प्राथमिक श्रेणियों में वर्गीकृत किया गया था, जिन्हें जॉइंट-रिकंस्ट्रक्शन एल्गोरिदम द्वारा बढ़ाया गया था:
1. भौतिकी-आधारित (LSO-Tx): इसने ल्यूटेटियम ऑक्सीऑर्थोसिलिकेट (LSO) क्रिस्टल की अंतर्निहित बैकग्राउंड रेडिएशन का उपयोग करके ट्रांसमिशन स्कैन ( $\mu_{LSO-Tx}$ ) उत्पन्न किए। इन्हें आगे MLAA (Maximum Likelihood Activity and Attenuation) या MLACF (Maximum Likelihood Activity and Attenuation Correction Factors) एल्गोरिदम का उपयोग करके संसाधित किया गया।
2. डेटा-संचालित (AI/CNN): एक 3D अटेंशन-गेटेड U-Net ने नॉन-एटेनुएशन-करेक्टेड (NAC) PET छवियों से सीधे क्षीणन मानचित्रों ( $\mu_{CNN}$ ) को संश्लेषित किया। इन्हें भी समान रूप से MLAA और MLACF एल्गोरिदम के साथ बढ़ाया गया था।
3. संदर्भ (Reference): एक मानक CT-आधारित ढांचा जिसने लो-डोज CT (LD-CT) का उपयोग किया जो Maximum Likelihood Transmission Reconstruction (MLTR) के माध्यम से पुनर्गठित किया गया था।
मूल्यांकन मेट्रिक्स: प्रदर्शन का आकलन स्वस्थ ऊतकों और लीजनों (lesions) में वॉल्यूम ऑफ इंटरेस्ट (VOIs) से निकाले गए स्टैंडर्डाइज्ड अपटेक वैल्यू मीन ( $SUV_{mean}$ ) का उपयोग करके किया गया। मेट्रिक्स में बायस (मीन/मीडियन अंतर), वेरिएंस (मानक विचलन), रूट सम ऑफ स्क्वायर्स (RSS) जो बायस और डिस्पर्सन को जोड़ता है, कोएफिशिएंट ऑफ वेरिएशन (CV), और कंट्रास्ट-टू-नॉइज़ रेशियो (CNR) शामिल थे।
विशिष्ट जांच: इस अध्ययन ने स्पष्ट रूप से यह जांचा कि बाहरी वस्तुओं (जैसे, तकिए, कपड़े) के लिए CT-आधारित क्षीणन मानों को मैन्युअल रूप से CT-मुक्त $\mu$ -मैप्स में डालने से मात्रात्मकता पर क्या प्रभाव पड़ता है।

प्रमुख योगदान

एकीकृत तुलना: यह अध्ययन एक ही रोगी डेटासेट का उपयोग करके और CT-मुक्त विधियों के लिए एक सख्त CT-स्वतंत्र वर्कफ़्लो का उपयोग करके, भौतिकी-आधारित (LSO-Tx), डेटा-संचालित (CNN), और हाइब्रिड (AI + MLAA/MLACF) ढांचों की एक दुर्लभ प्रत्यक्ष तुलना प्रदान करता है।
LAO प्रभाव का परिमाणीकरण: शोध स्पष्ट रूप से निम्न-क्षीणन वस्तुओं (LAOs) (जैसे, तकिए, कपड़े) के कारण होने वाले महत्वपूर्ण मात्रात्मक बायस को मापता है, जो कि पूर्व साहित्य में अक्सर अनदेखा किया जाने वाला कारक है।
हाइब्रिड फ्रेमवर्क का सत्यापन: यह प्रदर्शित करता है कि डीप लर्निंग-आधारित $\mu$ -मैप संश्लेषण को भौतिकी-आधारित MLACF संवर्धन के साथ जोड़ने से स्टैंडअलोन दृष्टिकोणों की तुलना में बेहतर मात्रात्मक सटीकता प्राप्त होती है।
मोशन संवेदनशीलता विश्लेषण: अध्ययन इस बात पर प्रकाश डालता है कि कैसे CT और PET अधिग्रहण के बीच लंबे समय के अंतराल (जो डायनेमिक प्रोटोकॉल में सामान्य हैं) मिसअलाइनमेंट समस्याओं को बढ़ाते हैं, जबकि CT-मुक्त ढांचे PET उत्सर्जन डेटा के साथ स्थानिक संरेखण (spatial alignment) बनाए रखते हैं।

परिणाम

मात्रात्मक सटीकता: CNN-आधारित ढांचों ने LSO-Tx-आधारित दृष्टिकोणों की तुलना में काफी कम $SUV_{mean}$ $S U V_{m e an}$ बायस प्रदर्शित किया।
- स्टैंडअलोन CNN: -9±7% बायस (मीन ± SD)।
- CNN + MLAA: -12±13% बायस (मीन ± SD)।
- CNN + MLACF: -1.6±10.2% बायस (मीन ± SD)।
- LSO-Tx स्टैंडअलोन: 29±29% बायस (मीन ± SD)।
- LSO-Tx + MLAA: 26±100% बायस (मीन ± SD)।
- LSO-Tx + MLACF: 15±15% बायस (मीन ± SD)।
हाइब्रिड प्रदर्शन: हाइब्रिड फ्रेमवर्क (CNN + MLACF) ने सभी VOIs में CT-आधारित संदर्भ के साथ उच्चतम सहमति प्राप्त की, जिसमें मीडियन अंतर -2.6% (-7.3%, 3.4%) था।
आर्टिफ़ेक्ट सुधार: जबकि स्टैंडअलोन CNN मैप्स अक्सर आंतरिक एयर पॉकेट्स और मेटल इम्प्लांट्स को मिस कर देते थे, MLACF के जुड़ने से इन स्थानीय अशुद्धियों का आंशिक रूप से सुधार हुआ। इसके विपरीत, LSO-Tx विधियों ने उच्च-अपटेक क्षेत्रों (जैसे, ब्लैडर, मस्तिष्क) में $\mu$ -वैल्यू का ओवरएस्टिमेशन और क्रॉस-टॉक आर्टिफ़ेक्ट्स दिखाए, जिन्हें MLACF द्वारा आंशिक रूप से कम किया गया लेकिन पूरी तरह से समाप्त नहीं किया गया।
निम्न-क्षीणन वस्तुएं (LAOs): CT-free $\mu$ -मैप्स में LAOs की अनुपस्थिति के कारण लगभग 5.9% (3.5%, 8.3%) का मीडियन $SUV_{mean}$ अंडरएस्टिमेशन हुआ। जब इन वस्तुओं के लिए CT-आधारित मानों को मैन्युअल रूप से डाला गया, तो बायस काफी कम हो गया (उदाहरण के लिए, CNN फ्रेमवर्क में लीजनों के लिए -3.8% तक)।
मोशन और एलाइनमेंट: लॉन्ग-इंटरवल कोहॉर्ट में, 70% स्कैन्स में दृश्यमान PET-CT मिसअलाइनमेंट देखा गया। CT-मुक्त ढांचों ने PET डेटा के साथ संरेखण बनाए रखा, जबकि CT-आधारित संदर्भ ने मिसरजिस्ट्रेशन त्रुटियों का सामना किया, जिससे पता चलता है कि संदर्भ बायस के बावजूद, डायनेमिक या लंबे अंतराल वाले परिदृश्यों में CT-मुक्त विधियां अधिक मजबूत हो सकती हैं।

महत्व और दावे
लेखक निष्कर्ष निकालते हैं कि जांचे गए ढांचों में से, NAC-PET-आधारित डीप लर्निंग के साथ MLACF संवर्धन वाला हाइब्रिड दृष्टिकोण LAFOV PET इमेजिंग के लिए उच्चतम मात्रात्मक सटीकता प्राप्त करता है। अध्ययन इस बात पर जोर देता है कि हालांकि भौतिकी-आधारित संवर्धन मोटे $\mu$ -मैप एरर्स (जैसे, गायब धातु या हवा) को ठीक कर सकते हैं, वर्तमान CT-मुक्त ढांचों की सबसे महत्वपूर्ण सीमा रोगी के शरीर के बाहर स्थित निम्न-क्षीणन वस्तुओं का हिसाब न रख पाना है। पेपर का दावा है कि CT-free PET ढांचों के भविष्य के विकास और मूल्यांकन में इन बाहरी वस्तुओं को स्पष्ट रूप से संबोधित करना और संभालना अनिवार्य है ताकि पर्याप्त मात्रात्मक बायस से बचा जा सके। इसके अलावा, अध्ययन सुझाव देता है कि एमिशन-ओनली दृष्टिकोणों में स्वाभाविक रूप से स्थानिक संरेखण के लाभ होते हैं, जो महत्वपूर्ण रोगी गति या लंबे अधिग्रहण अंतराल वाले परिदृश्यों में CT-आधारित विधियों से बेहतर प्रदर्शन कर सकते हैं, बशर्ते कि बाहरी वस्तु की समस्या का समाधान हो जाए।

इसी तरह के और पेपर