Sinds de opkomst van Total-Body PET (TB-PET), liggen snelle (<1 min) acquisities met redelijke dosisniveaus en erg goede beeldkwaliteit binnen handbereik. De eenheidsprijs en ouderhoudskosten, die zo’n 3-4 maal hoger liggen dan bij conventionele PET-CT, in combinatie met de beperkte praktisch haalbare patiëntencapaciteit, belemmeren echter de implementatie in de klinische routine. De MEDISIP-onderzoeksgroep stelt een nieuw TB-PET systeemconcept voor, de zogenaamde Walk-Through PET (WT-PET), die bestaat uit twee vlakke detectorpanelen waartussen patiënten in staande positie worden gescand. Hierdoor is het niet nodig de patiënt op een bed te plaatsen, wat leidt tot hogere doorvoercapaciteit en minder nood aan assistentie door personneel. Het apparaat is gebaseerd op een nieuwe generatie monolithische detectoren die een veel hogere en isotrope resolutie bieden tegen lagere kosten dan conventionele gepixelde detectoren. Bovendien verlaagt de geometrie de kosten verder, want het vereiste detectoroppervlak wordt dankzij de vlakke platen bijna gehalveerd in vergelijking met huidige ringvormige TB-PET-apparaten. De WT-PET biedt dus wel de voordelen van TB-PET, maar aan een prijskaartje in de grootteorde van conventionele korte axiale systemen.

Het unieke systeemconcept momenteel nog geconfronteerd met drie problemen die dienen opgelost te worden. Ten eerste beperken de vlakke panelen inherent het bereik van de verkregen projectiehoeken omheen de patiënt, wat resulteert in beeldartefacten na reconstructie. Ten tweede willen we de de noodzaak van CT-beeldacquisitie voor attenuatie- en scattercorrectie (ASC) omzeilen om de totale kosten van de apparatuur te drukken en de cumulatieve stralingsdosis toegediend aan de patiënt zo laag mogelijk te houden. Bijgevolg zijn alternatieve (non-CT) ASC-technieken noodzakelijk die de beeldkwaliteit behouden. Te slotte biedt de rechtopstaande houding van de patiënt minder ondersteuning, wat kan leiden tot bewegingsartefacten die moeten worden gecorrigeerd. Dit project heeft als doel deze problemen op te lossen met behulp van Deep Learning-algoritmen. Deze zullen worden geïmplementeerd tijdens de omzetting van coincidentie-data tot het gewenste beeld. De data nodig voor het trainen en de evaluatie van de neurale netwerken zullen worden verkregen via GATE Monte Carlo-simulaties, waar mogelijk aangevuld met experimentele data.