Real-time Volumetric Imaging for Minimally-Invasive Thoracic Interventions: A Deformable Phantom Study
Cette étude démontre que VoxelMap, un cadre d'apprentissage profond, peut générer des images volumétriques 3D précises et en temps réel du mouvement respiratoire à partir de projections fluoroscopiques 2D sur un système de bras en C clinique utilisant des fantômes déformables, l'incertitude du modèle servant d'indicateur fiable de la précision de la prédiction.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
À l'intérieur de la poitrine humaine, les poumons ne sont jamais immobiles. À chaque inspiration, ils se dilatent et se contractent, déplaçant la position des vaisseaux sanguins, des voies respiratoires et de toute tumeur ou instrument à l'intérieur d'eux. Pour les médecins effectuant des procédures délicates comme des biopsies ou des traitements de tumeurs, ce mouvement constant crée un problème difficile. Ils s'appuient sur la fluoroscopie par rayons X, une technique qui fournit une vidéo continue et en temps réel de l'intérieur du corps, semblable à une diffusion en direct. Cependant, cette vidéo est seulement bidimensionnelle, une ombre plate qui cache la véritable profondeur tridimensionnelle de l'anatomie. Pour voir la forme complète et la localisation des structures, les médecins doivent interrompre la procédure pour effectuer un scanner tridimensionnel, tel qu'une tomographie volumétrique à faisceau conique, ou CBCT. Mais ces scanners sont des instantanés dans le temps ; ils ne se mettent pas à jour pendant que le patient respire, et l'anatomie peut avoir bougé au moment où le médecin les consulte. Il n'existe actuellement aucun moyen d'obtenir une vue tridimensionnelle qui se met à jour continuellement dans le thorax avec l'équipement de radiographie standard.
Une équipe de chercheurs a développé une nouvelle méthode pour combler cette lacune, en utilisant l'intelligence artificielle pour reconstruire un volume tridimensionnel mobile à partir d'images radiographiques bidimensionnelles standards. Leurs travaux, testés sur des modèles physiques de poumons humains, démontrent qu'il est possible de générer une carte tridimensionnelle vivante de l'anatomie respiratoire sans interrompre la procédure. Le système, appelé VoxelMap, apprend à prédire comment l'intérieur de la poitrine se déforme à chaque respiration en analysant les changements d'ombres dans la vidéo de rayons X. Si elle réussit, cette technologie pourrait permettre aux médecins de naviguer avec des instruments à travers les poumons grâce à un guide tridimensionnel constamment mis à jour, améliorant la précision et la sécurité sans avoir recours à des scanners répétés et chargés en radiations.
Les chercheurs ont testé ce système en utilisant deux modèles physiques différents, ou fantômes, conçus pour imiter le thorax humain et son mouvement respiratoire. Le premier modèle, connu sous le nom de PixelPrint4D, était un fantôme de poumon unique construit pour ressembler au poumon d'un patient spécifique, complet avec des tumeurs et des vaisseaux sanguins simulés. Le second, appelé Casper, était un modèle plus complet de l'ensemble du torse humain, incluant les côtes et une paroi thoracique qui bougeait de manière réaliste. Les deux modèles ont été placés à l'intérieur d'une machine à rayons X clinique, du type que l'on trouve dans les blocs opératoires d'hôpitaux, et programmés pour respirer selon un cycle de dix phases distinctes, de l'inspiration profonde à l'expiration complète. L'équipe a utilisé la machine pour capturer des milliers d'images de rayons X bidimensionnelles pendant que les modèles bougeaient. Ils ont ensuite utilisé ces images pour entraîner un réseau d'apprentissage profond, un type d'intelligence artificielle, afin de comprendre la relation entre les ombres plates des rayons X et la forme tridimensionnelle sous-jacente des poumons.
Pour s'assurer que le système puisse gérer la nature imprévisible de la respiration réelle, les chercheurs ont entraîné l'IA sur la plupart des phases de respiration, mais ont délibérément laissé une phase de côté lors de l'entraînement. Ils ont ensuite demandé au système de prédire la forme tridimensionnelle des poumons pendant cette phase manquante, en utilisant uniquement les images de rayons X bidimensionnelles prises à ce moment précis. Ils ont comparé la prédiction de l'IA avec le véritable scanner tridimensionnel pris du fantôme au même moment pour voir à quel point la correspondance était étroite. Les résultats ont montré que le système pouvait reconstruire avec précision l'anatomie tridimensionnelle. Dans chaque test, les images prédites correspondaient aux scans réels avec un haut degré de similitude, le système étant même plus performant sur le modèle de torse plus complexe que sur le modèle de poumon unique. La précision était telle que les images prédites étaient presque indiscernables de la vérité de terrain en termes de détails structurels.
La vitesse était tout aussi critique que la précision pour que cette technologie soit utile dans un contexte médical en direct. Les chercheurs ont mesuré le temps nécessaire à l'ordinateur pour traiter une seule image de rayons X et générer le volume tridimensionnel correspondant. Le système a accompli cette tâche en moins de 15 millisecondes, une vitesse suffisamment rapide pour suivre le flux continu d'images lors d'une procédure en temps réel. Cela signifie que la vue tridimensionnelle pourrait théoriquement se mettre à jour aussi vite que la machine à rayons X capture de nouvelles images, fournissant un guide fluide et en direct au médecin.
Au-delà de la simple génération de l'image, les chercheurs voulaient savoir si le système pouvait indiquer au médecin quand il pourrait se tromper. Dans les applications médicales, il est vital de savoir quand la prédiction d'un ordinateur est fiable. Pour tester cela, ils ont utilisé une technique appelée ensemble profond (deep ensemble), où cinq versions légèrement différentes du modèle d'IA travaillent ensemble pour faire une prédiction. En observant à quel point ces cinq modèles étaient en désaccord les uns avec les autres, le système pouvait calculer une mesure d'incertitude. L'étude a révélé un lien clair entre cette incertitude et l'erreur réelle de la prédiction : plus les modèles étaient en désaccord, moins la prédiction était précise. Cela suggère que le système pourrait fournir un signal d'avertissement intégré, alertant le médecin pour qu'il soit plus prudent lorsque l'IA est moins confiante dans sa reconstruction.
L'étude confirme qu'il est possible de dériver des informations tridimensionnelles précises et continuellement mises à jour à partir de projections de rayons X bidimensionnelles standards dans un cadre clinique. Le système a fonctionné efficacement sur deux modèles physiques très différents du thorax humain, maintenant une précision et une vitesse élevées. Bien que l'étude ait été menée sur des modèles physiques et non sur des patients humains, elle établit une preuve de concept cruciale. Les chercheurs ont noté que des travaux supplémentaires sont nécessaires pour tester le système sur des données de patients réels et pour s'assurer qu'il peut gérer toute la variabilité de la respiration et de l'anatomie humaines. Cependant, les conclusions démontrent que la technologie est prête à passer du laboratoire vers les essais cliniques, offrant un avenir potentiel où les médecins pourront voir le paysage tridimensionnel complet et mobile du thorax sans jamais interrompre la procédure.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.