需接受多次正電子斷層掃描(Positron Emission Tomography Scan；PET scan)的人，特別是兒童，都會想減少所接受的劑量，以盡量減少輻射誘發(fā)癌癥的長期風險。但低劑量掃描因雜訊水平較高，較缺乏診斷能力。為解決此問題，目前有跨國研究小組正在使用深度神經(jīng)網(wǎng)絡(deep neural network)作為潛在解決方案。

據(jù)報導，該研究共同作者、悉尼大學(University of Sydney)的Luping Zhou表示，他們使用稱為3D條件生成對抗網(wǎng)絡(3D c-GANS)的機器學習算法，來從低劑量的PET影像預估高質(zhì)量全劑量PET影像的結果。

這項新技術是由論文主筆、四川大學的王燕(Yan Wang)以及大陸、美國、韓國和澳洲的合作者共同開發(fā)，較其它用于合成全劑量PET影像的方法效果更佳。

GAN模型使用兩個深度神經(jīng)網(wǎng)絡，一個偽資料產(chǎn)生器(Generator)及一個資料辨識器(Discriminator)，它們通過相互競爭獲得最佳結果。在此新應用中，產(chǎn)生器的目標是合成足夠高質(zhì)量的全劑量PET影像，以說服辨識器那些影象是真的。辨識器的目標則是發(fā)現(xiàn)產(chǎn)生器的輸出并非真正的全劑量影像。

這兩個神經(jīng)網(wǎng)絡會分別用來自同個人的低劑量和全劑量PET影像資料庫進行訓練。一旦訓練好，就會向產(chǎn)生器輸入一個新的低劑量PET影像，好合成相應的全劑量、更高質(zhì)量的PET影像。

該技術的關鍵功能為能處理3D影像數(shù)據(jù)集，許多其它技術可以獨立處理2D軸向切片。這些切片盡管數(shù)據(jù)密集程度較低，但會導致冠狀面和矢狀面中信息的丟失。研究人員發(fā)現(xiàn)，使用3D c-GANS實現(xiàn)的影像質(zhì)量與用于合成全劑量PET影像的三種現(xiàn)有方法相比有利。

在研究的幾個路線中，作者計劃研究全劑量PET合成的多模式方法，其中包含與PET掃描一起采集的臨床CT或MRI掃描。他們還計劃增加訓練數(shù)據(jù)庫的規(guī)模，以提高3D c-GANS的普遍性。