A neurális hálózat a CT-vizsgálatokból tüdőlélegeztetési képeket készít

A lélegeztetési képek beépítése a tüdőrák kezelésének sugárterápiás terveibe csökkentheti a legyengítő sugárzás okozta tüdősérülések, például a sugárfertőzés és a sugárfibrózis előfordulását. Pontosabban, a lélegeztetéses képalkotás felhasználható a sugárkezelési tervek adaptálására a jól működő tüdő dózisának csökkentése érdekében.

A pozitronemissziós tomográfia (PET) és az egyfoton emissziós komputertomográfia (SPECT) a lélegeztetési képalkotás aranystandardja. Ezek a módozatok azonban nem mindig állnak rendelkezésre, és az ilyen vizsgák költsége túl magas lehet. Mint ilyen, a kutatók olyan alternatívák megvalósíthatóságát vizsgálják, mint az MR vagy a CT lélegeztetés.

A CT lélegeztetési képalkotás (CTVI) kezeléstervező 4D-CT-vizsgálatot használ a tüdő szellőzésének becslésére. A hagyományos CTVI-k a 4D-CT belégzési és kilégzési fázisainak deformálható képregisztrációján (DIR), valamint lélegeztetési mérőszám alkalmazásán alapulnak a lélegeztetés becslésére. Ennek a megközelítésnek a legfontosabb előnye, hogy a CT-képek jellemzően a kezeléstervezés céljából végzett vizsgálatokból állnak rendelkezésre, így csökken a klinikai idő és a nukleáris medicina lélegeztetéssel kapcsolatos költségek.

A kutatók a University of Sydney nemrégiben vizsgálta a gépi tanulás használatát a DIR-alapú módszerek alternatívájaként a CTVI-k előállítására. Sikeresen generáltak CTVI-ket légzésvisszatartású CT (BHCT) képpárokból 10 másodpercen belül, laptop számítógép segítségével, DIR vagy lélegeztetési metrikák nélkül. Az általuk elért eredmények, leírása a Orvosi fizika, a hagyományos DIR-alapú módszerekkel összehasonlítható teljesítménymutatókat produkált.

Vezető szerző James Grover az ACRF Image X Institute és munkatársai egy korábbi CTVI-vizsgálatba bevont 68 tüdőrákos betegnél megvizsgálták a belégzési és kilégzési BHCT képpárokat és a megfelelő Galligas (Ga-15 aeroszolos) PET képsorozatokat. A Galligas PET-et választották referencia képalkotó módnak, mivel nagyobb felbontást és érzékenységet kínál, mint a SPECT lélegeztetés, ezáltal nagy felbontású képeket biztosít a mélytanulási algoritmus betanításához.

Grover és munkatársai egy 2D U-Net típusú konvolúciós neurális hálózatot képeztek ki axiális CTVI-k előállítására, amelyeket aztán összeállítottak a páciens tüdejének 3D lélegeztetési térképeként. A bemeneti edzésképek kilégzési, belégzési és átlagos BHCT-képekből álltak. A neurális hálózat kapcsolatokat hozott létre ezen axiális bemeneti BHCT képek és az axiálisan jelölt Galligas PET képek között. A csapat nyolcszoros keresztellenőrzést alkalmazott a neurális hálózat által elért eredmények robusztusságának mérésére és érvényességének növelésére.

A kutatók minőségileg értékelték a neurális hálózat által előállított CTVI-ket a Galligas PET lélegeztetési képekkel való vizuális összehasonlítással. Beszámoltak arról, hogy a CTVI-k általában szisztematikusan túljósolták a tüdőn belüli lélegeztetést a Galligas PET-képekkel összehasonlítva. Mindegyik axiális CTVI szelet simaságot mutatott az alacsony, közepes és magas szellőzésű régiók között, ami nehézségeket okozott a tüdőben lévő magas és alacsony szellőzés kis zsebeinek előrejelzésében. A koronális és a szagittális síkban a szellőztetési térképek külön szaggatott éleket mutattak a felső-alsó irányban.

A kvantitatív elemzéshez a csapat kiszámította a Spearman-korrelációt és a kocka hasonlósági együtthatót (DSC) az egyes betegek CTVI és Galligas PET képe között. A DSC a térbeli átfedést mérte három egyenlő tüdő-altérfogat között, amelyek megfelelnek a lélegeztetés által meghatározott magas, közepes és alacsony működésű tüdőnek.

Az átlagos Spearman-korreláció a 15 betegnél 0.58±0.14 volt (0.28-0.70 között), míg az átlagos DSC-k magas, közepes és alacsony működésű tüdő esetében 0.61±0.09, 0.43±0.05 és 0.62±0.07 voltak. 0.55±0.06 átlagos DSC-vel. A csapat megjegyzi, hogy ezek az eredmények összehasonlíthatók a CTVI-generációval kapcsolatos korábbi tanulmányokkal.

A kutatók úgy vélik, hogy az egyes betegeknél tapasztalt alacsonyabb korreláció részben annak tudható be, hogy egy kis betegadatkészletet használtak a neurális hálózat képzésére. Azt sugallják, hogy egy 3D-s neurális hálózat használata növelné a Spearman-korrelációt és a DSC-t, mivel a modell képes lenne a teljes betegtérfogatból tanulni az egyes szeletek helyett.

„Azt tervezzük, hogy páciensek lélegeztetési képeit egész testet átfogó PET-szkennerrel készítjük el, hogy a legjobb minőségű alapigazság alapján tudjuk kifejleszteni a CTVI algoritmusokat” – mondja. Paul Keall, az ACRF Image X Institute igazgatója. "Reméljük továbbá, hogy a CTVI-k vizsgálatát a tüdőrák sugárkezelésén túl is kiterjesztjük, hogy a CTVI-t döntési segédeszközként használhassuk a műtéti tervezéshez és a korai biomarker-vizsgálatokhoz számos légúti betegségben."

A poszt A neurális hálózat a CT-vizsgálatokból tüdőlélegeztetési képeket készít jelent meg először Fizika Világa.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://physicsworld.com/a/neural-network-generates-lung-ventilation-images-from-ct-scans/