Single-photon emission computed tomography เป็นเทคนิคการวินิจฉัยที่ตรวจจับรังสีแกมมาที่ปล่อยออกมาจาก radiotracer ที่ฉีดเพื่อสร้างภาพ 3 มิติของการกระจายตัวติดตามในผู้ป่วย มีการใช้ในการใช้งานทางคลินิกหลายอย่าง เช่น SPECT ของกล้ามเนื้อหัวใจตาย ใช้ในการประเมินปริมาณเลือดของหัวใจ อย่างไรก็ตาม ในการวิเคราะห์ภาพเชิงปริมาณ การแก้ไขการลดทอนเป็นสิ่งสำคัญ
การแก้ไขการลดทอนนี้มักจะทำโดยใช้ CT
แต่ในขณะที่ระบบ SPECT ที่ใหม่กว่าหลายระบบติดตั้งเครื่องสแกน CT แต่ SPECT แบบสแตนด์อโลนยังคงมีสัดส่วนประมาณ 80% ของตลาด นักวิจัยจากมหาวิทยาลัยเยลได้ใช้วิธีการเรียนรู้เชิงลึกเพื่อประเมินแผนที่การลดทอนโดยตรงจากข้อมูลการปล่อย SPECT
Luyao Shi ผู้เขียนคนแรกอธิบายว่า “ระบบ SPECT-only ปัจจุบันที่ไม่มี CT มักไม่สนับสนุนการสแกนการส่งผ่าน ดังนั้นจึงมีความอ่อนไหวต่อสิ่งประดิษฐ์ในการลดทอน “ความสามารถในการประมาณแผนที่การลดทอนจากข้อมูลการปล่อย SPECT คาดว่าจะเพิ่มความแม่นยำในการวินิจฉัยสำหรับเครื่องสแกนเหล่านั้น”
การสร้างแผนที่นักวิจัยใช้กรอบการเรียนรู้ของเครื่องเครือข่ายปฏิปักษ์ปฏิปักษ์ (GAN) เพื่อฝึกอบรมเครือข่ายประสาทเทียมสองเครือข่าย: เครื่องกำเนิด (U-net) ที่สร้างแผนที่การลดทอนสังเคราะห์โดยตรงจากข้อมูลการปล่อย SPECT; และ discriminator ซึ่งแยกแยะระหว่างแผนที่สังเคราะห์และแผนที่แบบ CT เนื่องจากโฟโตพีคและโฟตอนกระจายมีข้อมูลการลดทอนที่เป็นประโยชน์ พวกเขาจึงใช้ข้อมูลการแผ่รังสีจากทั้งโฟโตพีคหน้าต่าง (126–155 keV) และหน้าต่างกระจาย (114–126 keV) เป็นอินพุตในโครงข่ายประสาทเทียมเหล่านี้
การศึกษานี้มีผู้เข้าร่วม 65 คน ที่มีการทำงานของหัวใจ
ทั้งปกติและผิดปกติ ซึ่งได้รับการตรวจ SPECT ของกล้ามเนื้อหัวใจตายด้วยตัวติดตาม99m Tc-tetrofosmin ผู้ป่วยทุกรายได้รับการสแกนด้วยเครื่องสแกน SPECT/CT โดยได้รับข้อมูล CT ทันทีหลังจากการสแกน SPECT และแปลงเป็นแผนที่การลดทอน ทีมใช้การสแกนจาก 40 วิชาสำหรับการฝึกอบรมและ 25 รายการสำหรับการทดสอบ
ขั้นตอนสำคัญก่อนการประมวลผลที่สำคัญสำหรับอัลกอริธึมการเรียนรู้เชิงลึกคือการทำให้เป็นมาตรฐานของภาพ สำหรับการศึกษานี้ Shi และเพื่อนร่วมงานใช้mean normalization ซึ่งแต่ละช่องของภาพ SPECT จะถูกทำให้เป็นมาตรฐานโดยความเข้มเฉลี่ยของปริมาณภาพสองช่องสัญญาณทั้งหมด เมื่อใช้วิธีการนี้ พวกเขาพบว่าแผนที่การลดทอนแบบสังเคราะห์ที่สร้างขึ้นนั้นสอดคล้องกับแผนที่การลดทอนแบบ CT ที่ใช้ความจริงภาคพื้นดิน ในบรรดากลุ่มทดสอบ 25 คน ค่าความผิดพลาดแบบสัมบูรณ์ของค่าเฉลี่ยทั่วโลก (NMAE) ระหว่างแผนที่สังเคราะห์และแผนที่ที่ใช้ CT คือ 3.60±0.85%
นักวิจัยเปรียบเทียบผลลัพธ์เมื่อใช้อินพุตหน้าต่างหลักและกระจาย (GAN-PS) อินพุตหน้าต่างหลักเพียงอย่างเดียว และอินพุตหน้าต่างกระจายเพียงอย่างเดียว พวกเขายังทำการเปรียบเทียบเหล่านี้ซ้ำกับแผนที่ที่สร้างขึ้นโดยใช้แบบจำลอง U-net เท่านั้น โดยไม่มีการเลือกปฏิบัติ สำหรับทั้ง GAN และ U-net การใช้ทั้งอินพุตหลักและอินพุตแบบกระจายให้ผลลัพธ์ที่ใกล้เคียงที่สุดกับแผนที่การลดทอนแบบ CT การใช้ข้อมูลหน้าต่างหลักเท่านั้นทำให้การกู้คืนขอบเขตของร่างกายและสิ่งประดิษฐ์ไม่ถูกต้อง ในขณะที่การใช้เฉพาะข้อมูลหน้าต่างกระจายทำให้รูปร่างอวัยวะไม่ถูกต้อง
Luyao Shi และ Chi Liu อย่างไรก็ตาม ในการปฏิบัติทางคลินิก
ตามปกติ จะไม่ได้รับข้อมูลหน้าต่างกระจายเสมอไป ทีมงานทราบว่า หากใช้เฉพาะข้อมูลหน้าต่างหลักเป็นอินพุต โมเดล GAN ยังคงสามารถสร้างแผนที่การลดทอนที่แม่นยำได้ ในขณะที่โมเดล U-net ทำให้เกิดอคติที่ใหญ่กว่ามาก
“ด้วยความช่วยเหลือจากผู้เลือกปฏิบัติ GAN สามารถสร้างผลลัพธ์ที่สมจริงยิ่งขึ้น โดยเฉพาะอย่างยิ่งเมื่อมีข้อมูลจำกัด” Shi อธิบาย “เรารวม U-net ไว้ในการวิเคราะห์ของเราเป็นพื้นฐานเพื่อเปรียบเทียบ เพื่อแสดงการปรับปรุงที่ GAN นำมาเมื่อมีเฉพาะข้อมูลหน้าต่างหลักเท่านั้น”
การแก้ไขภาพจากนั้นทีมจึงใช้แผนที่ที่คาดการณ์ไว้เพื่อแก้ไขการลดทอนของภาพ SPECT ที่สร้างใหม่จากกลุ่มทดสอบ 25 คน ภาพที่แก้ไขโดยใช้แผนที่การลดทอนแบบ CT และแบบสังเคราะห์มีความสอดคล้องกันสูง โดยมีค่า NMAE ระหว่างสองค่าเพียง 0.26±0.15% อีกครั้ง เมื่อใช้ทั้งข้อมูลหน้าต่างหลักและหน้าต่างกระจายเป็นอินพุต ทั้ง GAN และ U-net จะสร้างผลลัพธ์ที่แม่นยำ อย่างไรก็ตาม เมื่อใช้เฉพาะหน้าต่างหลัก GAN มีประสิทธิภาพเหนือกว่า U-net อย่างชัดเจน
เนื่องจากหัวใจเป็นอวัยวะสำคัญในการศึกษาการไหลเวียนของกล้ามเนื้อหัวใจ นักวิจัยได้ทำการประเมินพื้นที่ที่น่าสนใจ (ROI) ในท้องถิ่นของภาพ SPECT ที่แก้ไขด้วยแผนที่การลดทอนสังเคราะห์ โดยดูที่กล้ามเนื้อหัวใจห้องล่างซ้ายและสระเลือด สำหรับทั้ง GAN และ U-net โดยใช้ข้อมูลหลักและกระจาย ค่า voxel เฉลี่ยใน ROI เหล่านี้แสดงให้เห็นความแตกต่างเล็กน้อยจากค่าที่แก้ไขโดยใช้แผนที่การลดทอนแบบ CT
การถ่ายภาพแบบไฮบริดของหัวใจทำนายเหตุการณ์ที่ไม่พึงประสงค์ของหัวใจผลลัพธ์เบื้องต้นเหล่านี้แสดงให้เห็นถึงความเป็นไปได้ในการสร้างแผนที่การลดทอนที่แม่นยำจากข้อมูลการปล่อยสำหรับ SPECT ของกล้ามเนื้อหัวใจตาย ต่อไป ทีมงานวางแผนที่จะตรวจสอบว่า SPECT สแกนจากผู้ป่วยที่พักผ่อนหรืออยู่ภายใต้ความเครียดทางเภสัชวิทยาหรือการออกกำลังกายแตกต่างกันหรือไม่ และจำเป็นต้องมีเครือข่ายแยกกันสำหรับแต่ละกลุ่มหรือไม่
“ในการศึกษาในสถานที่เดียวนี้ เราแสดงให้เห็นถึงความแข็งแกร่งของวิธีการของเราสำหรับเครื่องสแกนเดี่ยวและตัวติดตาม Tc-tetrofosmin 99m การตรวจสอบเพิ่มเติมเกี่ยวกับโปรโตคอลการถ่ายภาพ แบบจำลองเครื่องสแกน และตัวติดตามที่หลากหลายน่าจะช่วยเพิ่มผลกระทบทางคลินิก” Chi Liu ผู้เขียนที่เกี่ยวข้อง กล่าว เสริม
การผสมผสานของการเพิ่มประสิทธิภาพทางเคมีและการระบายความร้อนด้วยเลเซอร์จะทำให้สามารถตรวจวัดโมเลกุลที่ติดอยู่ซึ่งจะค้นหาฟิสิกส์ของ BSM ในระดับที่ไกลเกินกว่าที่เทคโนโลยีคอลไลเดอร์อนุภาคจะทำได้ในปัจจุบัน เราคาดว่าสิ่งนี้จะขยายขอบเขตการเข้าถึงในปัจจุบันของการทดลองดังกล่าวได้หลายระดับ คุณจะทำอย่างไรต่อไป?การเพิ่มประสิทธิภาพทางเคมีสามารถเพิ่มขึ้นได้อีกโดยการปรับสารตั้งต้นที่เกี่ยวข้องให้เหมาะสมและเติมปริมาตรของปฏิกิริยาให้สมบูรณ์ด้วยแสงเลเซอร์ “ตัวเร่งปฏิกิริยา”
คอมพิวเตอร์ควอนตัมแสดงสัญญาที่ยิ่งใหญ่เพราะอย่างน้อยก็ในหลักการ – ใช้กฎของกลศาสตร์ควอนตัมเพื่อคำนวณบางอย่างได้เร็วกว่าคอมพิวเตอร์ทั่วไปที่ทรงพลังที่สุด การคำนวณที่มีประโยชน์สามารถทำได้โดยใช้ควอนตัมบิต (qubits) จำนวนน้อย – หลายร้อยหรืออาจเป็นพัน – แต่การสร้างคอมพิวเตอร์ควอนตัมที่มี qubits มากกว่าสองสามโหลเป็นงานที่ยากเพราะสถานะควอนตัมที่ใช้ในการสร้าง qubits นั้นเปราะบางและสั้น – มีชีวิตอยู่และควบคุมยาก อุปกรณ์เช่น Sycamore ของ Google เรียกว่า NISQ เนื่องจากมีจำนวน qubit อยู่ตรงกลาง (Sycamore มี 54) และมีเสียงรบกวนในแง่ของการควบคุม qubit ที่ไม่สมบูรณ์
Credit : perceptualriot.com percocetrxpharmacy.com perdomocigarsasia.com pervasivesecurityroundtable.com poetrydirectory.net