La rete neurale genera immagini di ventilazione polmonare da scansioni TC

L'integrazione di immagini di ventilazione nei piani di radioterapia per il trattamento del cancro del polmone potrebbe ridurre l'incidenza di lesioni polmonari debilitanti indotte da radiazioni, come polmonite da radiazioni e fibrosi da radiazioni. In particolare, l'imaging della ventilazione può essere utilizzato per adattare i piani di trattamento delle radiazioni per ridurre la dose al polmone ad alto funzionamento.

La tomografia a emissione di positroni (PET) e la tomografia computerizzata a emissione di fotoni singoli (SPECT) sono il gold standard dell'imaging della ventilazione. Tuttavia, queste modalità non sono sempre prontamente disponibili e il costo di tali esami può essere proibitivo. Pertanto, i ricercatori stanno studiando la fattibilità di alternative come l'imaging della ventilazione RM o TC.

L'imaging della ventilazione TC (CTVI) utilizza una scansione 4D-CT per la pianificazione del trattamento per stimare la ventilazione nei polmoni. I CTVI convenzionali si basano sulla registrazione dell'immagine deformabile (DIR) delle fasi respiratorie di inspirazione ed espirazione di una TC 4D e sull'applicazione di una metrica di ventilazione per stimare la ventilazione. Il principale vantaggio di questo approccio è che le immagini TC sono in genere disponibili dagli esami eseguiti per la pianificazione del trattamento, riducendo così il tempo clinico ei costi associati all'imaging della ventilazione di medicina nucleare.

I ricercatori del Università di Sydney ha recentemente studiato l'uso dell'apprendimento automatico come alternativa ai metodi basati su DIR per la produzione di CTVI. Hanno generato con successo CTVI da coppie di immagini TC in apnea (BHCT) entro 10 s, utilizzando un computer portatile e senza la necessità di DIR o metriche di ventilazione. I loro successi, descritti in Fisica medica, ha prodotto misure di prestazione comparabili con i metodi convenzionali basati su DIR.

Autore principale Giacomo Grover della Istituto ACRF Immagine X e colleghi hanno esaminato le coppie di immagini BHCT inalate ed espirate e i corrispondenti set di immagini PET Galligas (Ga-68 aerosol) per 15 pazienti con cancro del polmone arruolati in un precedente studio CTVI. Hanno scelto Galligas PET come modalità di imaging di riferimento in quanto offre una risoluzione e una sensibilità maggiori rispetto alla ventilazione SPECT, fornendo così immagini ad alta risoluzione per addestrare l'algoritmo di deep learning.

Grover e colleghi hanno addestrato una rete neurale convoluzionale 2D in stile U-Net per produrre CTVI assiali, che sono stati poi assemblati per fornire una mappa di ventilazione 3D dei polmoni del paziente. Le immagini di addestramento di input consistevano in immagini di espirazione, inalazione e BHCT medie. La rete neurale ha stabilito relazioni tra queste immagini BHCT di input assiali e le immagini PET Galligas con etichetta assiale. Il team ha impiegato otto volte la convalida incrociata per misurare la robustezza e aumentare la validità dei risultati raggiunti dalla rete neurale.

I ricercatori hanno valutato qualitativamente i CTVI prodotti dalla rete neurale mediante confronto visivo con le immagini di ventilazione PET di Galligas. Riferiscono che i CTVI tendevano a sovrastimare sistematicamente la ventilazione all'interno del polmone rispetto alle immagini PET di Galligas. Ciascuna fetta assiale di CTVI presentava una levigatezza tra le regioni di ventilazione bassa, media e alta, che causava difficoltà nel prevedere piccole sacche di ventilazione alta e bassa all'interno del polmone. Nei piani coronale e sagittale, le mappe di ventilazione hanno mostrato bordi frastagliati distinti nella direzione superiore-inferiore.

Per l'analisi quantitativa, il team ha calcolato la correlazione di Spearman e il coefficiente di somiglianza dei dadi (DSC) tra l'immagine CTVI e Galligas PET di ciascun paziente. Il DSC ha misurato la sovrapposizione spaziale tra tre sottovolumi polmonari uguali, corrispondenti al polmone ad alto, medio e basso funzionamento, come definito dalla ventilazione.

La correlazione media di Spearman tra i 15 pazienti era 0.58±0.14 (da 0.28 a 0.70), mentre le DSC medie su polmone ad alto, medio e basso funzionamento erano 0.61±0.09, 0.43±0.05 e 0.62±0.07, rispettivamente, con un DSC medio di 0.55±0.06. Il team osserva che questi risultati sono paragonabili a studi precedenti sulla generazione di CTVI.

I ricercatori ritengono che le correlazioni inferiori osservate per alcuni pazienti siano in parte dovute all'uso di un piccolo set di dati paziente per addestrare la rete neurale. Suggeriscono che l'uso di una rete neurale 3D aumenterebbe la correlazione di Spearman e il DSC, poiché il modello sarebbe in grado di apprendere da un intero volume di pazienti anziché da singole sezioni.

"Stiamo pianificando di acquisire immagini di ventilazione del paziente utilizzando uno scanner PET per tutto il corpo per avere la massima qualità di base con cui sviluppare gli algoritmi CTVI", afferma Paolo Keall, direttore dell'ACRF Image X Institute. "Speriamo anche di espandere le nostre indagini sui CTVI oltre la radioterapia del cancro del polmone per utilizzare CTVI come ausilio decisionale per la pianificazione chirurgica e le prime indagini sui biomarcatori in una serie di malattie respiratorie".

Il post La rete neurale genera immagini di ventilazione polmonare da scansioni TC apparve prima Mondo della fisica.

• Coinsmart. Il miglior scambio di bitcoin e criptovalute d'Europa.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. ACCESSO LIBERO.
• Criptofalco. Radar Altcoin. Prova gratuita.
• Fonte: https://physicsworld.com/a/neural-network-generates-lung-ventilation-images-from-ct-scans/