Generiranje računalniškotomografske slike z uporabo pozitronske emisijske tomografije in umetne inteligencePoberžnik, Janja (Avtor) Žibert, Janez (Mentor) Matjašič, Alenka (Komentor) umetna inteligencaPET/CTsintetični CTUvod: Uporaba metod globokega učenja v medicinskem slikanju omogoča izboljšanje kakovosti slik ter potencialno zmanjšanje potrebe po dodatnih slikovnih preiskavah. Ena od obetavnih smeri je generiranje sintetičnih CT slik iz PET podatkov, kar bi lahko zmanjšalo sevalno obremenitev bolnikov in poenostavilo potek PET/CT preiskav. Namen: Namen diplomske naloge je preučiti izvedljivost generiranja računalniško-tomografskih slik iz posnetkov pozitronske emisijske tomografije z uporabo globokega učenja, da bi zmanjšali izpostavljenost sevanju in hkrati ohranili diagnostično natančnost. Metode dela: V diplomskem delu je bila uporabljena deskriptivna metoda dela s sistematičnim pregledom literature v bazah PubMed, ScienceDirect, NJM in DiKUL. Opredeljeni so bili vključitveni in izključitveni kriteriji, analiziranih pa je bilo 10 ustreznih člankov, ki obravnavajo modele globokega učenja in generiranje sCT slik. Rezultati: Študije kažejo, da modeli, kot so U-Net, ResNet in CycleGAN, uspešno ustvarijo sCT slike, ki se dobro ujemajo s pravimi CT posnetki. Povprečne napake so bile v klinično sprejemljivih mejah, modeli pa omogočajo zmanjševanje sevalne doze in časovne obremenitve preiskav. Kljub temu ostajajo težave pri natančnih rekonstrukcijah drobnih anatomskih struktur in splošni klinični potrditvi. Razprava in zaključek: Metode globokega učenja imajo velik potencial za generiranje sCT in za zmanjšanje potrebe po klasičnem CT slikanju v PET/CT. Za klinično uporabo bo potrebna dodatna potrditev, izboljšanje natančnosti rekonstrukcij ter standardizacija postopkov. Umetna inteligenca tako predstavlja obetavno, a še ne povsem zrelo orodje za klinično prakso.20262026-05-16 07:45:38Diplomsko delo/naloga182556VisID: 159781sl