Jaringan saraf menghasilkan gambar ventilasi paru-paru dari CT scan

Memasukkan gambar ventilasi ke dalam rencana radioterapi untuk mengobati kanker paru-paru dapat mengurangi insidensi cedera paru akibat radiasi yang melemahkan, seperti pneumonitis radiasi dan fibrosis radiasi. Secara khusus, pencitraan ventilasi dapat digunakan untuk mengadaptasi rencana perawatan radiasi untuk mengurangi dosis ke paru-paru yang berfungsi tinggi.

Tomografi emisi positron (PET) dan pemindaian tomografi terkomputasi emisi foton tunggal (SPECT) adalah standar emas pencitraan ventilasi. Namun, modalitas ini tidak selalu tersedia dan biaya ujian tersebut mungkin mahal. Dengan demikian, peneliti sedang menyelidiki kelayakan alternatif seperti pencitraan ventilasi MR atau CT.

Pencitraan ventilasi CT (CTVI) menggunakan perencanaan perawatan 4D-CT scan untuk memperkirakan ventilasi di paru-paru. CTVI konvensional bergantung pada registrasi gambar yang dapat dideformasi (DIR) dari fase pernapasan inhalasi dan ekshalasi dari 4D-CT dan penerapan metrik ventilasi untuk memperkirakan ventilasi. Manfaat utama dari pendekatan ini adalah bahwa gambar CT biasanya tersedia dari pemeriksaan yang dilakukan untuk perencanaan perawatan, sehingga mengurangi waktu klinis dan biaya yang terkait dengan pencitraan ventilasi kedokteran nuklir.

Para peneliti di Universitas Sydney baru-baru ini menyelidiki penggunaan pembelajaran mesin sebagai alternatif metode berbasis DIR untuk memproduksi CTVI. Mereka berhasil menghasilkan CTVI dari pasangan gambar breath-hold CT (BHCT) dalam waktu 10 detik, menggunakan komputer laptop dan tanpa memerlukan DIR atau metrik ventilasi. Prestasi mereka, dijelaskan dalam Fisika Medis, menghasilkan ukuran kinerja yang sebanding dengan metode berbasis DIR konvensional.

Penulis utama James Grover dari Institut Gambar X ACRF dan rekan memeriksa pasangan gambar BHCT hirup dan hembuskan dan set gambar PET Galligas (Ga-68 aerosol) yang sesuai untuk 15 pasien kanker paru-paru yang terdaftar dalam studi CTVI sebelumnya. Mereka memilih Galligas PET sebagai modalitas pencitraan referensi karena menawarkan resolusi dan sensitivitas yang lebih tinggi daripada ventilasi SPECT, sehingga memberikan gambar beresolusi tinggi untuk melatih algoritme pembelajaran mendalam.

Grover dan rekannya melatih jaringan saraf konvolusi gaya U-Net 2D untuk menghasilkan CTVI aksial, yang kemudian dirakit untuk menyediakan peta ventilasi 3D paru-paru pasien. Gambar pelatihan input terdiri dari pernafasan, pernafasan dan gambar BHCT rata-rata. Jaringan saraf membentuk hubungan antara gambar BHCT input aksial ini dan gambar PET Galligas berlabel aksial. Tim menggunakan validasi silang delapan kali lipat untuk mengukur ketahanan dan meningkatkan validitas hasil yang dicapai oleh jaringan saraf.

Para peneliti secara kualitatif menilai CTVI yang diproduksi jaringan saraf dengan perbandingan visual dengan gambar ventilasi PET Galligas. Mereka melaporkan bahwa CTVI cenderung memprediksi secara sistematis ventilasi di dalam paru-paru jika dibandingkan dengan gambar PET Galligas. Setiap irisan CTVI aksial menampilkan kehalusan di antara daerah dengan ventilasi rendah, sedang, dan tinggi, yang menyebabkan kesulitan dalam memprediksi kantong kecil ventilasi tinggi dan rendah di dalam paru-paru. Pada bidang koronal dan sagital, peta ventilasi menunjukkan tepi bergerigi yang jelas pada arah superior-inferior.

Untuk analisis kuantitatif, tim menghitung korelasi Spearman dan koefisien kesamaan Dice (DSC) antara gambar CTVI dan Galligas PET setiap pasien. DSC mengukur tumpang tindih spasial antara tiga sub-volume paru yang sama, sesuai dengan paru-paru yang berfungsi tinggi, sedang, dan rendah, seperti yang didefinisikan oleh ventilasi.

Korelasi Spearman rata-rata pada 15 pasien adalah 0.58 ± 0.14 (berkisar antara 0.28 hingga 0.70), sedangkan rata-rata DSC pada paru-paru yang berfungsi tinggi, sedang, dan rendah masing-masing adalah 0.61 ± 0.09, 0.43 ± 0.05, dan 0.62 ± 0.07, dengan rata-rata DSC 0.55±0.06. Tim mencatat bahwa hasil ini sebanding dengan studi sebelumnya pada generasi CTVI.

Para peneliti percaya bahwa korelasi yang lebih rendah terlihat untuk beberapa pasien sebagian karena penggunaan dataset pasien kecil untuk melatih jaringan saraf. Mereka berpendapat bahwa penggunaan jaringan saraf 3D akan meningkatkan korelasi Spearman dan DSC, karena model akan dapat belajar dari volume pasien penuh, bukan irisan individual.

“Kami berencana untuk mendapatkan gambar ventilasi pasien menggunakan pemindai PET seluruh tubuh untuk mendapatkan kebenaran dasar kualitas tertinggi yang dapat digunakan untuk mengembangkan algoritme CTVI,” kata Paul Keall, direktur Institut Gambar X ACRF. “Kami juga berharap untuk memperluas penyelidikan kami tentang CTVI di luar radioterapi kanker paru-paru untuk menggunakan CTVI sebagai alat bantu pengambilan keputusan untuk perencanaan pembedahan dan penyelidikan biomarker awal di berbagai penyakit pernapasan.”

Pos Jaringan saraf menghasilkan gambar ventilasi paru-paru dari CT scan muncul pertama pada Dunia Fisika.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://physicsworld.com/a/neural-network-generates-lung-ventilation-images-from-ct-scans/