A rede neural gera imagens de ventilação pulmonar a partir de tomografias computadorizadas

A incorporação de imagens de ventilação em planos de radioterapia para tratar o câncer de pulmão pode reduzir a incidência de lesões pulmonares debilitantes induzidas por radiação, como pneumonite por radiação e fibrose por radiação. Especificamente, a imagem de ventilação pode ser usada para adaptar os planos de tratamento de radiação para reduzir a dose no pulmão de alto funcionamento.

A tomografia por emissão de pósitrons (PET) e a tomografia computadorizada por emissão de fóton único (SPECT) são o padrão-ouro da imagem de ventilação. No entanto, essas modalidades nem sempre estão prontamente disponíveis e o custo desses exames pode ser proibitivo. Como tal, os pesquisadores estão investigando a viabilidade de alternativas como ressonância magnética ou tomografia computadorizada.

A imagem de ventilação por TC (CTVI) usa uma varredura 4D-CT de planejamento de tratamento para estimar a ventilação nos pulmões. Os CTVIs convencionais dependem do registro de imagens deformáveis ​​(DIR) das fases respiratórias de inspiração e expiração de uma 4D-CT e da aplicação de uma métrica de ventilação para estimar a ventilação. O principal benefício dessa abordagem é que as imagens de TC normalmente estão disponíveis a partir de exames realizados para o planejamento do tratamento, reduzindo assim o tempo clínico e os custos associados à imagem de ventilação em medicina nuclear.

Pesquisadores da Universidade de Sydney recentemente investigou o uso de aprendizado de máquina como uma alternativa aos métodos baseados em DIR para produzir CTVIs. Eles geraram com sucesso CTVIs a partir de pares de imagens de TC em apneia (BHCT) em 10 s, usando um laptop e sem a necessidade de DIR ou métricas de ventilação. Suas realizações, descritas em Física Médica, produziu medidas de desempenho comparáveis ​​aos métodos convencionais baseados em DIR.

Autor principal James Grover da Instituto ACRF Imagem X e colegas examinaram pares de imagens BHCT de inspiração e expiração e correspondentes conjuntos de imagens PET Galligas (Ga-68 aerossol) para 15 pacientes com câncer de pulmão inscritos em um estudo CTVI anterior. Eles selecionaram Galligas PET como a modalidade de imagem de referência, pois oferece maior resolução e sensibilidade do que a ventilação SPECT, fornecendo assim imagens de alta resolução para treinar o algoritmo de aprendizado profundo.

Grover e seus colegas treinaram uma rede neural convolucional estilo U-Net 2D para produzir CTVIs axiais, que foram então montados para fornecer um mapa de ventilação 3D dos pulmões do paciente. As imagens de treinamento de entrada consistiam em imagens de BHCT de expiração, inspiração e média. A rede neural estabeleceu relacionamentos entre essas imagens BHCT de entrada axial e imagens PET Galligas rotuladas axiais. A equipe empregou validação cruzada óctupla para medir a robustez e aumentar a validade dos resultados obtidos pela rede neural.

Os pesquisadores avaliaram qualitativamente os CTVIs produzidos pela rede neural por comparação visual com as imagens de ventilação Galligas PET. Eles relatam que os CTVIs tendiam a prever sistematicamente a ventilação dentro do pulmão quando comparados com as imagens de Galligas PET. Cada corte axial do TCVI apresentou uma suavidade entre as regiões de baixa, média e alta ventilação, o que dificultou a previsão de pequenos bolsões de alta e baixa ventilação dentro do pulmão. Nos planos coronal e sagital, os mapas de ventilação mostraram bordas irregulares distintas na direção superior-inferior.

Para análise quantitativa, a equipe calculou a correlação de Spearman e o coeficiente de similaridade de Dice (DSC) entre cada imagem CTVI e Galligas PET de cada paciente. O DSC mediu a sobreposição espacial entre três subvolumes pulmonares iguais, correspondendo ao pulmão de alto, médio e baixo funcionamento, conforme definido pela ventilação.

A correlação média de Spearman entre os 15 pacientes foi de 0.58±0.14 (variando de 0.28 a 0.70), enquanto as DSCs médias sobre o pulmão de alto, médio e baixo funcionamento foram de 0.61±0.09, 0.43±0.05 e 0.62±0.07, respectivamente, com DSC médio de 0.55±0.06. A equipe observa que esses resultados são comparáveis ​​a estudos anteriores sobre geração de CTVI.

Os pesquisadores acreditam que as correlações mais baixas observadas em alguns pacientes se devem, em parte, ao uso de um pequeno conjunto de dados de pacientes para treinar a rede neural. Eles sugerem que o uso de uma rede neural 3D aumentaria a correlação de Spearman e o DSC, pois o modelo seria capaz de aprender com o volume total do paciente em vez de fatias individuais.

“Estamos planejando adquirir imagens de ventilação do paciente usando um scanner PET de corpo inteiro para ter a mais alta qualidade de verdade com a qual desenvolver os algoritmos de CTVI”, diz Paulo Keall, diretor do ACRF Image X Institute. “Também esperamos expandir nossas investigações de CTVIs além da radioterapia de câncer de pulmão para usar CTVI como um auxílio de decisão para planejamento cirúrgico e investigações iniciais de biomarcadores em uma variedade de doenças respiratórias”.

O posto A rede neural gera imagens de ventilação pulmonar a partir de tomografias computadorizadas apareceu pela primeira vez em Mundo da física.

• Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
• CryptoHawk. Radar Altcoin. Teste grátis.
• Fonte: https://physicsworld.com/a/neural-network-generates-lung-ventilation-images-from-ct-scans/