Neuralt netværk genererer lungeventilationsbilleder fra CT-scanninger

Genudgivet af Platon

Abonnenter: 0

Inkorporering af ventilationsbilleder i strålebehandlingsplaner til behandling af lungekræft kan reducere forekomsten af invaliderende strålingsinducerede lungeskader, såsom strålingspneumonitis og strålingsfibrose. Specifikt kan ventilationsbilleddannelse bruges til at tilpasse strålebehandlingsplaner for at reducere dosis til højtfungerende lunger.

Positron emission tomography (PET) og single-photon emission computed tomography (SPECT) scanninger er guldstandarden for ventilationsbilleddannelse. Disse modaliteter er dog ikke altid lige tilgængelige, og omkostningerne ved sådanne eksamener kan være uoverkommelige. Som sådan undersøger forskere gennemførligheden af alternativer såsom MR- eller CT-ventilationsbilleddannelse.

CT-ventilationsbilleddannelse (CTVI) bruger en behandlingsplanlægning 4D-CT-scanning til at estimere ventilation i lungerne. Konventionelle CTVI'er er afhængige af deformerbar billedregistrering (DIR) af indåndings- og udåndingsfasen af en 4D-CT og anvendelsen af en ventilationsmetrik til at estimere ventilation. Den vigtigste fordel ved denne tilgang er, at CT-billeder typisk er tilgængelige fra undersøgelser udført til behandlingsplanlægning, hvilket reducerer den kliniske tid og omkostningerne forbundet med nuklearmedicinsk ventilationsbilleddannelse.

Forskere på University of Sydney for nylig undersøgt brugen af maskinlæring som et alternativ til DIR-baserede metoder til fremstilling af CTVI'er. De genererede med succes CVI'er fra åndedrætsholdende CT (BHCT) billedpar inden for 10 s, ved hjælp af en bærbar computer og uden behov for DIR eller ventilationsmålinger. Deres præstationer, beskrevet i Medicinsk fysik, producerede ydeevnemål, der kan sammenlignes med konventionelle DIR-baserede metoder.

Lederforfatter James Grover af ACRF Image X Institute og kolleger undersøgte inhalerer og udånder BHCT-billedpar og tilsvarende Galligas (Ga-68 aerosol) PET-billedsæt for 15 lungekræftpatienter, der var indskrevet i et tidligere CTVI-studie. De valgte Galligas PET som referencebilledmodalitet, da den tilbyder højere opløsning og følsomhed end SPECT-ventilation, og derved giver billeder i høj opløsning til at træne dyb-læringsalgoritmen.

googletag.cmd.push (funktion () {googletag.display ('div-gpt-ad-3759129-1');});

Grover og kolleger trænede et 2D U-Net stil foldet neuralt netværk til at producere aksiale CTVI'er, som derefter blev samlet for at give et 3D ventilationskort over patientens lunger. Inputtræningsbillederne bestod af udånding, indånding og gennemsnitlige BHCT-billeder. Det neurale netværk etablerede relationer mellem disse aksiale input BHCT-billeder og aksialmærkede Galligas PET-billeder. Holdet brugte ottedobbelt krydsvalidering for at måle robustheden og øge validiteten af resultaterne opnået af det neurale netværk.

Forskerne vurderede kvalitativt de neurale netværksproducerede CTVI'er ved visuel sammenligning med Galligas PET-ventilationsbilleder. De rapporterer, at CVI'erne havde en tendens til systematisk at overforudsige ventilation i lungen sammenlignet med Galligas PET-billeder. Hver aksial CTVI skive udviste en glathed blandt områder med lav, medium og høj ventilation, hvilket forårsagede vanskeligheder med at forudsige små lommer med høj og lav ventilation i lungen. I de koronale og sagittale planer viste ventilationskort tydelige takkede kanter i den overordnede-inferiøre retning.

Til kvantitativ analyse beregnede holdet Spearman-korrelationen og Dice-lighedskoefficienten (DSC) mellem hver patients CTVI og Galligas PET-billede. DSC målte det rumlige overlap mellem tre lige store lungesubvolumener, svarende til høj-, medium- og lavfungerende lunge, som defineret ved ventilation.

Den gennemsnitlige Spearman-korrelation på tværs af de 15 patienter var 0.58±0.14 (fra 0.28 til 0.70), mens de gennemsnitlige DSC'er over høj-, medium- og lavtfungerende lunger var henholdsvis 0.61±0.09, 0.43±0.05 og 0.62±0.07 med en gennemsnitlig DSC på 0.55±0.06. Holdet bemærker, at disse resultater er sammenlignelige med tidligere undersøgelser af CTVI-generering.

Læs mere

Deep learning muliggør hurtige og nøjagtige protondosisberegninger

Forskerne mener, at de lavere korrelationer, der ses for nogle patienter, til dels skyldes brugen af et lille patientdatasæt til at træne det neurale netværk. De foreslår, at brug af et 3D neuralt netværk ville øge Spearman-korrelationen og DSC, da modellen ville være i stand til at lære af en fuld patientvolumen i stedet for individuelle skiver.

"Vi planlægger at erhverve patientventilationsbilleder ved hjælp af en helkrops-PET-scanner for at have den højeste kvalitet til at udvikle CTVI-algoritmerne," siger Paul Keall, direktør for ACRF Image X Institute. "Vi håber også at udvide vores undersøgelser af CTVI'er ud over lungekræftstrålebehandling til at bruge CTVI som en beslutningshjælp til kirurgisk planlægning og tidlige biomarkørundersøgelser på tværs af en række luftvejssygdomme."

AI i Medical Physics Week er støttet af Sun Nuklear, en producent af patientsikkerhedsløsninger til strålebehandling og billeddiagnostiske centre. Besøg www.sunnuclear.com for at finde ud af mere.