การตรวจเอกซเรย์คอมพิวเตอร์ (CT) เป็นเครื่องมือสร้างภาพทางการแพทย์ที่ได้รับความนิยม การแสดงภาพและการหาปริมาณโครงสร้างภายในสำหรับการตรวจคัดกรอง การวินิจฉัย การวางแผนการรักษา และการติดตามการรักษา การสแกน CT ทางคลินิกแบบทั่วไปจะสร้างภาพการลดทอนแบบรวมสเปกตรัมที่แสดงลักษณะทางสัณฐานวิทยาของเนื้อเยื่อ แต่ไม่ได้ให้ข้อมูลโดยตรงเกี่ยวกับองค์ประกอบของเนื้อเยื่อ
ระบบ CT แบบพลังงานคู่ (DECT) ซึ่งได้รับ
ชุดข้อมูลที่แตกต่างกันสองชุด สามารถสร้าง virtual monoenergetic (VM) และรูปภาพเฉพาะวัสดุที่ให้ข้อมูลเกี่ยวกับองค์ประกอบเนื้อเยื่อ เมื่อเทียบกับ CT ทั่วไป DECT มีราคาแพงและซับซ้อนกว่า และมักต้องใช้ปริมาณรังสีที่เพิ่มขึ้น
สำหรับผู้ป่วยที่ไม่สามารถเข้าถึงการสแกน DECT วิธีประมาณข้อมูลที่ให้โดย DECT โดยใช้การสแกน CT สเปกตรัมเดียวสามารถปรับปรุงการวินิจฉัยทางคลินิกได้ ด้วยจุดมุ่งหมายนี้Wenxiang Congและทีมงานที่นำโดยGe Wangที่Rensselaer Polytechnic Instituteได้สาธิตวิธีการเรียนรู้เชิงลึกที่สามารถสร้างอิมเมจ VM จากการสแกน CT สเปกตรัมเดียว
“ด้วย CT แบบดั้งเดิม คุณจะถ่ายภาพระดับสีเทา แต่ด้วย CT พลังงานคู่ คุณจะถ่ายภาพที่มีสองสีได้” Wang อธิบาย “ด้วยการเรียนรู้อย่างลึกซึ้ง เราพยายามใช้เครื่อง CT มาตรฐานเพื่อทำหน้าที่สร้างภาพ CT แบบใช้พลังงานคู่ เราหวังว่าเทคนิคนี้จะช่วยดึงข้อมูลเพิ่มเติมจากการสแกนด้วยเอกซเรย์ CT แบบคลื่นความถี่เดียวแบบปกติ ทำให้เป็นเชิงปริมาณมากขึ้น และปรับปรุงการวินิจฉัย”
Wang และทีมงานของเขา ร่วมกับ Shanghai First-Imaging
Tech และ GE Research ได้ปรับเปลี่ยนโครงข่ายประสาทเทียมที่เหลือ (ResNet) เพื่อเปลี่ยนภาพ CT สเปกตรัมเดียวทางคลินิกไปเป็น VM หลังจากฝึกอบรมเครือข่ายเกี่ยวกับอิมเมจ DECT ทางคลินิกแล้ว พวกเขาใช้มันเพื่อสร้างอิมเมจ VM ที่ระดับพลังงานสองระดับ (80 และ 110 keV) จากอิมเมจสเปกตรัมเดียว อิมเมจ VM เหล่านี้แสดงข้อตกลงที่ยอดเยี่ยมกับภาพที่สร้างโดยการสร้าง DECT ขึ้นใหม่โดยใช้สเปกตรัมที่แตกต่างกันสองแบบ
ตัวแบบสามารถสร้างการประมาณคุณภาพสูงสำหรับค่าสัมประสิทธิ์การลดทอนเชิงเส้นโดยมีข้อผิดพลาดสัมพัทธ์น้อยกว่า 2% ความคล้ายคลึงกันของโครงสร้างระหว่างอิมเมจ VM ทั้งสองประเภทสูงถึง 0.99 ซึ่งแสดงให้เห็นว่าข้อมูลโครงสร้าง โดยเฉพาะอย่างยิ่งฟีเจอร์พื้นผิว ได้รับการเก็บรักษาไว้อย่างดีโดยวิธีการเรียนรู้ของเครื่อง
ต่อไป ทีมงานใช้อิมเมจ VM แบบ deep-learning เพื่อสร้างภาพเฉพาะวัสดุของเนื้อเยื่อสามประเภท: ไขมัน กล้ามเนื้อ และกระดูก ภาพที่ได้มีคุณภาพสูงและใกล้เคียงกับภาพที่ผลิตโดย DECT โดยใช้ชุดข้อมูลการฉายภาพจากเอ็กซ์เรย์สเปกตรัมสองชุด
นักวิจัยตั้งข้อสังเกตว่าภาพกระดูกสามารถแยกออกจากภาพ VM ได้อย่างชัดเจน โดยเฉพาะอย่างยิ่ง การกลายเป็นปูนในหลอดเลือดแดงใหญ่ในช่องท้องซึ่งไม่เด่นชัดในรูปภาพหลายสีดั้งเดิมนั้นสามารถมองเห็นได้ในรูปภาพ VM ที่สังเคราะห์ขึ้นและในภาพกระดูก สิ่งนี้แสดงให้เห็นหนึ่งในประโยชน์ทางคลินิกที่เป็นไปได้ของวิธีการ DL
นักวิจัยได้แสดงให้เห็นว่าชุดข้อมูล CT แบบเดิมควบคู่
กับการเรียนรู้เชิงลึกสามารถให้ภาพ DECT ที่ใกล้เคียงกัน นักวิจัยแนะนำว่ามีความเป็นไปได้ที่จะใช้ CT แบบเดิมเพื่อทำงานที่สำคัญบางอย่างที่ทำได้ในปัจจุบันโดยใช้ DECT ซึ่งจะช่วยลดต้นทุนฮาร์ดแวร์ที่เกี่ยวข้องกับ เครื่องสแกน DECT
ตัวอย่างหนึ่งคือการประยุกต์ใช้คือการกำหนดกำลังการหยุดโปรตอนเพื่อใช้ในการวางแผนการบำบัดด้วยโปรตอน ซึ่งเป็นสิ่งสำคัญที่จะต้องแสดงความเข้มข้นของวัสดุของเนื้อเยื่อทั่วไปอย่างถูกต้องตามลำการรักษา ทีมงานยังเน้นย้ำถึงการสร้างภาพ VM แบบ deep-learning เป็นทางเลือกแทน micro-CT ที่นับโฟตอนสำหรับแอพพลิเคชั่นพรีคลินิกในวิฟ
ตอนนี้ เอกสารสองฉบับที่ตีพิมพ์เคียงข้างกันในNature ฉบับหนึ่งจากนักวิจัยของ MIT ที่นำโดย Chiaverini และเพื่อนร่วมงานJeremy Sageอีกฉบับจากนักวิทยาศาสตร์ที่ ETH Zurichนำเสนอความก้าวหน้าเพิ่มเติมในการจัดการไอออนที่ติดอยู่โดยใช้โฟโตนิกส์แบบบูรณาการ ทั้งสองทีมสร้างท่อนำคลื่นบนชิปเพื่อให้แสงที่จำเป็นในการกระตุ้นการเปลี่ยนแปลงที่เฉพาะเจาะจงในไอออนที่เลือก กลุ่ม ETH Zurich ใช้แคลเซียม และนักวิจัยของ MIT เลือกสตรอนเทียม
ชิป ETHท่อนำคลื่นแบบบูรณาการ: แสงเลเซอร์จะถูกป้อนเข้าสู่ชิป ETH ผ่านเส้นใยแก้วนำแสงทางด้านขวาด้วยการใช้โรงหล่อเชิงพาณิชย์ กลุ่มสวิสประดิษฐ์ชิปด้วยท่อนำคลื่นแปดตัว ซึ่งช่วยให้พวกมันฉีดแสงที่ความยาวคลื่นที่จำเป็นสำหรับการเริ่มต้น qubits ของพวกเขา (นำพวกมันเข้าสู่สถานะที่ต้องการ) และควบคุมพวกมัน (สลับระหว่างสองสถานะ) กับดักของพวกมันมีไอออนสองตัว และนักวิจัยได้ผลิตประตูควอนตัมโดยเข้าไปยุ่งกับสถานะของพวกเขา
ชิปนั้นจะต้องเย็นลงด้วยความเย็นจัดและวางไว้ในสุญญากาศระดับสูงเพื่อกักเก็บไอออนไว้ในกับดัก สิ่งนี้ต้องใช้อุปกรณ์ขนาดค่อนข้างใหญ่ เช่นเดียวกับตู้เย็นเจือจางรอบคอมพิวเตอร์ควอนตัมตัวนำยิ่งยวดที่มีขนาดหลายสิบเซนติเมตร อย่างไรก็ตาม ETH Zurich หัวหน้าทีมKaran Mehtaอธิบายว่าโปรเซสเซอร์หลายคิวบิตต้องการเพียงหนึ่งเครื่องแช่แข็ง: “คิดถึงการปรับขนาดคอมพิวเตอร์เดสก์ท็อป” เขากล่าว “ไม่สำคัญว่าหอคอยจะใหญ่แค่ไหน: สำคัญว่าโปรเซสเซอร์มีประสิทธิภาพเพียงใด”
Credit : creativedotmedia.info cuibfoundation.org diablo3witchdoctorguide.net discountairjordans13.com diwaligreetings.org
