Το νευρωνικό δίκτυο δημιουργεί εικόνες αερισμού των πνευμόνων από αξονικές τομογραφίες

Η ενσωμάτωση εικόνων αερισμού σε σχέδια ακτινοθεραπείας για τη θεραπεία του καρκίνου του πνεύμονα θα μπορούσε να μειώσει τη συχνότητα εμφάνισης εξουθενωτικών τραυματισμών των πνευμόνων που προκαλούνται από την ακτινοβολία, όπως η πνευμονίτιδα από ακτινοβολία και η ίνωση από ακτινοβολία. Συγκεκριμένα, η απεικόνιση αερισμού μπορεί να χρησιμοποιηθεί για την προσαρμογή των σχεδίων ακτινοθεραπείας για τη μείωση της δόσης σε πνεύμονα υψηλής λειτουργίας.

Η τομογραφία εκπομπής ποζιτρονίων (PET) και η αξονική τομογραφία εκπομπής ενός φωτονίου (SPECT) είναι το χρυσό πρότυπο της απεικόνισης αερισμού. Ωστόσο, αυτές οι μέθοδοι δεν είναι πάντα άμεσα διαθέσιμες και το κόστος τέτοιων εξετάσεων μπορεί να είναι απαγορευτικό. Ως εκ τούτου, οι ερευνητές διερευνούν τη σκοπιμότητα εναλλακτικών λύσεων όπως η απεικόνιση αερισμού με μαγνητική τομογραφία ή αξονική τομογραφία.

Η απεικόνιση αερισμού CT (CTVI) χρησιμοποιεί μια σάρωση 4D-CT σχεδιασμού θεραπείας για την εκτίμηση του αερισμού στους πνεύμονες. Τα συμβατικά CTVI βασίζονται στην καταχώρηση παραμορφώσιμης εικόνας (DIR) των αναπνευστικών φάσεων εισπνοής και εκπνοής ενός 4D-CT και στην εφαρμογή μιας μέτρησης αερισμού για την εκτίμηση του αερισμού. Το βασικό πλεονέκτημα αυτής της προσέγγισης είναι ότι οι εικόνες CT είναι συνήθως διαθέσιμες από εξετάσεις που πραγματοποιούνται για τον σχεδιασμό της θεραπείας, μειώνοντας έτσι τον κλινικό χρόνο και το κόστος που σχετίζεται με την απεικόνιση αερισμού πυρηνικής ιατρικής.

Ερευνητές στο Πανεπιστήμιο του Σίδνεϊ ερεύνησε πρόσφατα τη χρήση της μηχανικής μάθησης ως εναλλακτική στις μεθόδους που βασίζονται σε DIR για την παραγωγή CTVI. Δημιούργησαν επιτυχώς CTVI από ζεύγη εικόνων CT συγκράτησης της αναπνοής (BHCT) μέσα σε 10 δευτερόλεπτα, χρησιμοποιώντας φορητό υπολογιστή και χωρίς την ανάγκη DIR ή μετρήσεων αερισμού. Τα επιτεύγματά τους, που περιγράφονται στο Ιατρική Φυσική, παρήγαγε μέτρα απόδοσης συγκρίσιμα με τις συμβατικές μεθόδους που βασίζονται σε DIR.

Κύριος συγγραφέας Τζέιμς Γκρόβερ του Ινστιτούτο ACRF Image X και οι συνάδελφοι εξέτασαν ζεύγη εικόνων BHCT εισπνοής και εκπνοής και αντίστοιχα σετ εικόνας PET Galligas (αερόλυμα Ga-68) για 15 ασθενείς με καρκίνο του πνεύμονα που είχαν εγγραφεί σε προηγούμενη μελέτη CTVI. Επέλεξαν το Galligas PET ως τη μέθοδο απεικόνισης αναφοράς, καθώς προσφέρει υψηλότερη ανάλυση και ευαισθησία από τον αερισμό SPECT, παρέχοντας έτσι εικόνες υψηλής ανάλυσης για την εκπαίδευση του αλγόριθμου βαθιάς μάθησης.

Ο Grover και οι συνεργάτες του εκπαίδευσαν ένα συνελικτικό νευρωνικό δίκτυο 2D στυλ U-Net για την παραγωγή αξονικών CTVI, τα οποία στη συνέχεια συναρμολογήθηκαν για να παρέχουν έναν τρισδιάστατο χάρτη αερισμού των πνευμόνων του ασθενούς. Οι εισερχόμενες εικόνες εκπαίδευσης αποτελούνταν από εικόνες εκπνοής, εισπνοής και μέσες εικόνες BHCT. Το νευρωνικό δίκτυο καθιέρωσε σχέσεις μεταξύ αυτών των εικόνων BHCT αξονικής εισόδου και των εικόνων PET με αξονική ετικέτα Galligas. Η ομάδα χρησιμοποίησε οκταπλάσια διασταυρούμενη επικύρωση για να μετρήσει την ευρωστία και να αυξήσει την εγκυρότητα των αποτελεσμάτων που επιτυγχάνονται από το νευρωνικό δίκτυο.

Οι ερευνητές αξιολόγησαν ποιοτικά τα CTVI που παράγονται από το νευρωνικό δίκτυο μέσω οπτικής σύγκρισης με τις εικόνες αερισμού PET Galligas. Αναφέρουν ότι τα CTVI έτειναν να υπερπροβλέψουν συστηματικά τον αερισμό εντός του πνεύμονα σε σύγκριση με τις εικόνες PET Galligas. Κάθε αξονική φέτα CTVI παρουσίαζε μια ομαλότητα μεταξύ των περιοχών χαμηλού, μεσαίου και υψηλού αερισμού, γεγονός που προκάλεσε δυσκολίες στην πρόβλεψη μικρών θυλάκων υψηλού και χαμηλού αερισμού εντός του πνεύμονα. Στο στεφανιαίο και το οβελιαίο επίπεδο, οι χάρτες αερισμού έδειξαν ευδιάκριτες οδοντωτές ακμές στην ανώτερη-κατώτερη κατεύθυνση.

Για ποσοτική ανάλυση, η ομάδα υπολόγισε τη συσχέτιση Spearman και τον συντελεστή ομοιότητας Dice (DSC) μεταξύ της εικόνας CTVI κάθε ασθενή και του Galligas PET. Το DSC μέτρησε τη χωρική επικάλυψη μεταξύ τριών ίσων υποόγκων πνευμόνων, που αντιστοιχούν σε πνεύμονα υψηλής, μεσαίας και χαμηλής λειτουργίας, όπως ορίζεται από τον αερισμό.

Η μέση συσχέτιση Spearman στους 15 ασθενείς ήταν 0.58±0.14 (κυμαινόμενη από 0.28 έως 0.70), ενώ η μέση τιμή DSC σε πνεύμονα υψηλής, μέσης και χαμηλής λειτουργίας ήταν 0.61±0.09, 0.43±0.05 και 0.62±0.07, αντίστοιχα. με μέσο DSC 0.55±0.06. Η ομάδα σημειώνει ότι αυτά τα αποτελέσματα είναι συγκρίσιμα με προηγούμενες μελέτες για τη δημιουργία CTVI.

Οι ερευνητές πιστεύουν ότι οι χαμηλότερες συσχετίσεις που παρατηρούνται για ορισμένους ασθενείς οφείλονται εν μέρει στη χρήση ενός μικρού συνόλου δεδομένων ασθενών για την εκπαίδευση του νευρωνικού δικτύου. Προτείνουν ότι η χρήση ενός τρισδιάστατου νευρωνικού δικτύου θα αύξανε τη συσχέτιση Spearman και το DSC, καθώς το μοντέλο θα μπορούσε να μάθει από έναν πλήρη όγκο ασθενούς αντί για μεμονωμένες φέτες.

"Σχεδιάζουμε να αποκτήσουμε εικόνες αερισμού ασθενών χρησιμοποιώντας έναν σαρωτή PET ολόκληρου σώματος για να έχουμε την υψηλότερη ποιότητα εδάφους αλήθειας με την οποία μπορούμε να αναπτύξουμε τους αλγόριθμους CTVI", λέει. Paul Keall, διευθυντής του Ινστιτούτου ACRF Image X. «Ελπίζουμε επίσης να επεκτείνουμε τις έρευνές μας για τα CTVI πέρα ​​από την ακτινοθεραπεία του καρκίνου του πνεύμονα για να χρησιμοποιήσουμε το CTVI ως βοήθημα απόφασης για τον χειρουργικό σχεδιασμό και τις πρώιμες έρευνες βιοδεικτών σε μια σειρά αναπνευστικών ασθενειών».

Ο ορθοστάτης Το νευρωνικό δίκτυο δημιουργεί εικόνες αερισμού των πνευμόνων από αξονικές τομογραφίες εμφανίστηκε για πρώτη φορά σε Κόσμος Φυσικής.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Πηγή: https://physicsworld.com/a/neural-network-generates-lung-ventilation-images-from-ct-scans/