Синтез ПЭТ из КТ: точнее к опухолям экспресс
Опухоль на снимке — как маленькая яркая точка на огромном темном полотне. Врачу нужна именно она, а не идеально ровный фон. Но когда нейросеть учится превращать обычную компьютерную томографию (КТ) в подобие позитронно-эмиссионной томографии (ПЭТ), она часто старается сделать красиво везде — и в итоге смазывает эту точку.
Проблема в том, что опухолевые клетки занимают лишь крошечную долю всего объема тела. Если мерить качество по всему снимку, модель может получить высокие баллы, но при этом пропустить слабое свечение рака. Авторы новой работы предложили добавить в нейросеть два простых сигнала: один показывает, насколько неоднородна текстура ткани, другой — насколько сильны перепады плотности. Эти сигналы дешево вычисляются из КТ и помогают модели сфокусироваться на подозрительных участках.
Модель назвали LAFNO. Ее обучили на реальных данных пациентов с раком простаты, где опухоли светятся благодаря радиоактивному маркеру PSMA. В тестах LAFNO уменьшила ошибку в оценке общей активности опухоли почти вдвое по сравнению с предыдущими методами. Точность воспроизведения текстуры опухоли тоже выросла — это важно для последующего автоматического анализа.
Пока что воспроизведение ткани вокруг опухоли остается нестабильным и зависит от типа маркера. Но сам подход — подсказывать сети, куда смотреть, через простые физические характеристики — может пригодиться и в других задачах медицинской визуализации.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2608.10429v1
Deep learning models that synthesize PET from CT or MRI can reduce patient dose and scanner demand, but are typically optimized with global losses such as L1 or mean squared error (MSE) that treat all voxels similarly. In whole-body PSMA-PET, tumor voxels occupy only a small fraction of the volume, yet carry the clinically relevant activity signal; as a result, models can achieve high structural similarity index measure (SSIM) and peak signal-to-noise ratio (PSNR) while still underestimating lesion activity or failing to preserve tumor-specific structure. Radiomics provides biologically meaningful descriptors of tumor intensity and texture, but direct radiomics conditioning is time-consuming because it requires feature extraction from delineated lesion regions. We propose LAFNO, a Lesion-Aware Adaptive Fourier Neural Operator for CT-to-PSMA-PET synthesis that replaces high-dimensional radiomics conditioning with two efficient CT-derived proxy channels. Motivated by radiomics analysis of PSMA-avid tumor core and peritumoral regions, LAFNO uses a contrast proxy for local density variation and a disorder proxy for local texture heterogeneity, both injected into the model bottleneck. LAFNO combines whole-volume reconstruction with lesion-level total lesion activity (TLA), tumor-core contrast, and peritumoral supervision. We evaluated LAFNO against four baseline architectures on the TCIA PSMA-PET-CT-Lesions dataset. LAFNO remained competitive on whole-volume image quality, achieving SSIM of 0.960 and 0.938 for 18F- and 68Ga-PSMA, respectively, while reducing per-patient TLA error to 48.3% and 64.0% for 18F- and 68Ga-PSMA, respectively, and achieving the highest tumor-core radiomics reproducibility across all feature classes for both tracers. Peritumoral reproducibility remained tracer-dependent, indicating that biological fidelity in synthetic PSMA-PET remains challenging.
Радиоактивный маркер PSMA, используемый в ПЭТ, специально цепляется за белок, которого много на поверхности клеток рака простаты — поэтому опухоль «светится» на снимке.