Correzione dell'attenuazione di immagini PET mediante Deep Learning.

L'obiettivo di questo studio è implementare una rete neurale per generare immagini PET corrette per l'attenuazione senza acquisire le immagini TC. La rete ha un'architettura UNET allenata usando la tecnica del transfer learning, caratterizzata da un Inception-Resnet v2 come encoder, pre-allenata sul dataset di ImageNet. Il dataset utilizzato include immagini PET/CT (FDG-18) cerebrali di 727 pazienti di cui 638 immagini sono state usate per il training, 34 per il validation e 55 per il test. La rete è stata allenata utilizzando i sistemi di calcolo messi a disposizione dall'INFN di Firenze. La performance è stata valutata calcolando la variazione percentuale del valore medio di specifiche VOIs nell'immagine predetta dalla rete e nella corrispondente ground truth. L'analisi nella zona centrale, quella più significativa per la diagnosi della malattia, mostra risultati dell'ordine di $\pm 3%$, tali valori aumentano spostandosi nelle aree periferiche rimanendo attorno al $10%$. $È$ In corso la validazione da parte del medico nucleare. I risultati preliminari mostrano che la rete è capace di ricostruire l'immagine PET corretta per l'attenuazione anche senza la mappa dell'attenuazione.