Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

Imagina que estás intentando tomar una fotografía perfecta de un tesoro secreto escondido dentro de una cueva neblinosa y de paredes gruesas. En el mundo de las imágenes médicas, este "tesoro" es una pequeña señal de un trazador radiactivo dentro del cuerpo de un paciente, y la "cámara" es una máquina llamada SPECT (Tomografía Computarizada por Emisión de Fotón Único). Normalmente, para obtener una imagen clara, los médicos utilizan un filtro especial llamado colimador que actúa como un conjunto de túneles diminutos, permitiendo que solo los rayos de luz (o en este caso, rayos gamma) pasen en líneas rectas. Pero aquí está el truco: para obtener una imagen realmente nítida, necesitas muchos de estos túneles. Si empaquetas demasiados túneles juntos, sus vistas comienzan a superponerse, como mirar a través de un caleidoscopio donde los patrones se mezclan en un caos confuso. Además, las paredes de la cueva (el cuerpo del paciente) absorben y rebotan los rayos, haciendo que la imagen sea borrosa y tenue. Durante décadas, arreglar estos desastres borrosos y superpuestos requirió tomar una segunda exploración de rayos X, peligrosa, solo para mapear las paredes de la cueva, lo que añadía radiación extra y costos. Los científicos han estado buscando una forma de desenredar el lío y despejar la niebla sin esa radiografía adicional, con la esperanza de hacer que la cámara sea más rápida, barata y segura para todos.

Este artículo introduce un nuevo y astuto truco utilizando un tipo de inteligencia artificial llamada Red Neuronal Convolucional (CNN), que es como un detective digital superinteligente entrenado para resolver acertijos visuales. Los investigadores, trabajando con un sistema SPECT estacionario equipado con una enorme matriz de 44 agujeros estenopeicos (pequeños túneles), se enfrentaron a un doble problema: las vistas de estos 44 agujeros se superponían como una bola de estambre enredada, y los rayos se distorsionaban por el cuerpo del paciente. En lugar de intentar desenredar el estambre con matemáticas complejas que toman una eternidad, le enseñaron al detective de IA un juego nuevo. Alimentaron a la IA con una entrada "desordenada": los datos superpuestos, borrosos y con ruido generados al simular cómo los rayos gamma rebotan y se absorben dentro de un cerebro. Luego, le mostraron a la IA el objetivo "perfecto": cómo debería verse la imagen si no hubiera superposiciones, ni desenfoque, ni ruido. Al practicar con miles de estos casos cerebrales simulados, la IA aprendió a separar instantáneamente el estambre enredado en hilos individuales y ordenados, y simultáneamente a limpiar la niebla y el ruido.

Los resultados de esta simulación fueron bastante prometedores. Cuando los investigadores probaron su IA en imágenes cerebrales, esta logró desenredar con éxito las proyecciones superpuestas de los 44 agujeros y corregir las distorsiones físicas sin necesidad de mapas adicionales de rayos X. La IA produjo imágenes significativamente más claras y precisas que las creadas por métodos más antiguos. Por ejemplo, el nuevo método logró una "Relación Señal-Ruido Pico" (una medida de la claridad de la imagen) de 18.38 ± 0.79 dB, lo cual fue mejor que los 15.54 ± 1.35 dB logrados por un sistema que utilizaba solo 11 agujeros (donde no ocurre superposición) y los 15.93 ± 1.12 dB de una cámara de haz en abanico estándar. El estudio también comparó su método con una técnica tradicional llamada método de corrección de Moore; el enfoque de la IA produjo imágenes mucho más nítidas con menos errores, logrando un Error Cuadrático Medio Normalizado (NMSE) de 0.18 ± 0.02 en comparación con el 0.24 ± 0.06 del montaje de 11 agujeros.

Sin embargo, es importante recordar que estos hallazgos provienen de simulaciones por computadora, no de pacientes reales todavía. Los investigadores simularon un cerebro con una cantidad específica de trazador radiactivo (370 MBq) y utilizaron una cámara virtual con 44 agujeros estenopeicos. Encontraron que, si bien la IA podía manejar los datos "desordenados" de todos los 44 agujeros, funcionaba mejor cuando la cámara se movía solo un poquito (un montaje "cuasi-estacionario" donde los detectores rotan 60 grados una vez), lo que ayudaba a reducir aún más los artefactos restantes. El artículo descarta explícitamente la idea de que se necesita una tomografía computarizada (CT) separada para corregir la imagen; la IA aprendió a realizar la "corrección de atenuación" (arreglar la niebla) por sí misma. Aunque el método mostró un gran potencial para la imagen cerebral, donde las "paredes de la cueva" son bastante uniformes, los autores señan que podría ser más difícil de aplicar a otras partes del cuerpo como el corazón, donde la densidad varía drásticamente. En última instancia, este estudio sugiere que una IA inteligente podría pronto permitir que los médicos utilicen cámaras de múltiples agujeros estenopeicos de alta sensibilidad para obtener imágenes cerebrales cuantitativas de alta calidad, más rápido y sin la dosis de radiación adicional de una tomografía computarizada, pero se necesita más investigación con datos humanos reales para confirmar si esta magia funciona en el mundo real.