20.500.12556/RUL-182556 Generiranje računalniškotomografske slike z uporabo pozitronske emisijske tomografije in umetne inteligence Generating computed tomography image using positron emission tomography and artificial intelligence Uvod: 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. Introduction: The use of deep learning methods in medical imaging enables improved image quality and potentially reduces the need for additional imaging examinations. One promising direction is the generation of synthetic CT images from PET data, which could reduce radiation exposure to patients and simplify the PET/CT examination process. Purpose: The purpose of this thesis is to investigate the feasibility of generating computed tomography images from positron maintaining diagnostic accuracy. Methods: a descriptive method was used in the thesis, with a systematic review of the literature in the PubMed, ScienceDirect, JNM and DiKUL databases. Inclusion and exclusion criteria were applied and 10 relevant articles discussing deep learning models and sCT image generation were analyzed. Results: Studies show models such as U-Net, ResNet and CycleGAN successfully generate sCT images that closely match real CT scans. Average errors were within clinically acceptable limits and the models enable a reduction in radiation dose and exposure time. Nevertheless, challenges remain in accurately reconstructing fine anatomical structures and in overall clinical validation. Discussion and conclusion: Deep learning methods have great potential for generating sCT and reducing the need for conventional CT imaging in PET/CT. Furter validation, improvement of reconstruction accuracy and standardization of procedures will be necessary for clinical application. Artificial intelligence represents a promising but not yet fully mature tool for clinical practice. umetna inteligenca PET/CT sintetični CT artificial intelligence PET/CT synthetic CT true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-05-16 07:45:38 2026-05-16 07:45:50 2026-05-17 04:39:09 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 159781 59047.pdf 59047.pdf 1 EC469CBD97170DF6BEF799307CEF9EE3 69cc70c47682c52cc1083e59f3fd4ade554e923132dd156f6c876094fd47b12e 2fc32d3f-50ea-11f1-b0ab-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=233931 Zdravstvena fakulteta 0 0 0