Deep Learning Reconstruction for Low-Dose Dual-Energy CT Pulmonary Angiography: Optimization of Energy Levels and Assessment of Subsegmental Arteries

L'embolie pulmonaire, une obstruction des vaisseaux sanguins des poumons, est une urgence médicale qui exige un diagnostic rapide et précis. L'étalon-or actuel pour détecter ces obstructions est un type spécialisé de scanner de rayons X appelé angiographie par tomodensitométrie pulmonaire. Cette procédure implique l'injection d'un liquide colorant, connu sous le nom de produit de contraste, dans une veine afin que les vaisseaux sanguins s'illuminent intensément sur le scanner, permettant ainsi aux médecins de voir si un caillot est présent. Cependant, cet outil salvateur comporte un coût. La radiation nécessaire pour prendre les images peut s'accumuler au cours de la vie d'un patient, et le volume important de produit de contraste nécessaire peut fatiguer les reins, en particulier chez les personnes âgées ou celles présentant des problèmes de santé préexistants. Pendant des années, les médecins ont cherché un moyen d'obtenir les mêmes images claires tout en utilisant moins de radiations et moins de produit de contraste, un objectif souvent appelé approche « doublement faible ».

Le défi réside dans la physique du scanner. Pour faire ressortir le produit de contraste plus nettement par rapport aux tissus environnants, les scientifiques peuvent régler le scanner pour utiliser des niveaux d'énergie plus bas. C'est comme si l'on baissait la luminosité d'une lampe de poche pour faire ressortir une couleur spécifique ; dans ce cas, une énergie plus basse fait apparaître le produit de contraste à base d'iode beaucoup plus brillant. Mais il y a un piège : abaisser l'énergie rend également l'image plus granuleuse et plus bruitée, comme de la neige sur une vieille télévision, ce qui peut masquer les caillots mêmes que les médecins cherchent à trouver. Les méthodes traditionnelles pour nettoyer ce grain ont souvent tendance à flouter les détails fins, faisant paraître les petits vaisseaux sanguins flous. Récemment, un nouveau type de traitement informatique appelé apprentissage profond (deep learning) est apparu. Contrairement aux anciennes méthodes qui se contentent de lisser l'image, cette technologie apprend à partir de vastes quantités de données de haute qualité pour éliminer le grain tout en préservant les bords nets de l'anatomie.

Une équipe de chercheurs de l'Hôpital affilié de l'Université médicale de Xuzhou s'est donné pour mission de tester si la combinaison de ces réglages à basse énergie avec cette nouvelle technologie d'apprentissage profond pouvait résoudre le problème. Ils voulaient voir s'ils pouvaient créer un scanner utilisant nettement moins de radiations et moins de produit de contraste, tout en fournissant une vue cristalline des plus petits vaisseaux sanguins des poumons, là où les caillots sont les plus dangereux et les plus difficiles à voir. Ils se sont concentrés sur l'étude de patients suspectés d'embolie pulmonaire, en utilisant un scanner à double énergie capable de capturer des données à différents niveaux d'énergie simultanément.

Les chercheurs ont examiné 39 patients en utilisant un protocole conçu pour être doux pour l'organisme, injectant une quantité de produit de contraste bien moindre que d'habitude — environ 26 millilitres en moyenne — et en maintenant une faible dose de radiation. Ils ont ensuite reconstruit les images en utilisant diverses configurations informatiques. Ils ont testé différents niveaux d'énergie, allant de très bas à standard, et ont appliqué deux types de nettoyage d'image : une méthode statistique traditionnelle et la nouvelle méthode d'apprentissage profond, qu'ils ont testée à des intensités moyenne et élevée. L'objectif était de trouver la combinaison parfaite capable d'annuler le bruit du scan à basse énergie sans flouter les détails délicats des artères périphériques du poumon.

Les résultats ont désigné un vainqueur clair. Les meilleures images provenaient de l'utilisation du réglage d'énergie le plus bas disponible, soit 40 kiloelectron volts, associé à la reconstruction par apprentissage profond à haute intensité. Cette combinaison spécifique a produit des images où les vaisseaux sanguels étaient incroyablement brillants et distincts, tandis que le grain de fond avait presque totalement disparu. Lorsque les chercheurs ont mesuré la clartité des images, cette méthode a surpassé l'approche standard utilisée aujourd'hui dans les hôpitaux. La méthode standard, qui utilise un niveau d'énergie plus élevé et un nettoyage traditionnel, peinait à montrer les plus petits vaisseaux avec le même niveau de netteté. En revanche, la nouvelle méthode à basse énergie et apprentissage profond rendait les petites artères sous-segmentaires aussi claires que la méthode standard, mais avec un contraste bien plus élevé entre le sang et les tissus environnants.

Deux radiologues expérimentés ont examiné les images sans savoir quelle méthode avait été utilisée pour les créer. Ils ont jugé la qualité de la nouvelle méthode comme excellente, lui attribuant la note la plus élevée possible. Ils ont constaté que les images étaient assez nettes pour identifier avec confiance des caillots, même dans les branches les plus distantes de l'apport sanguin pulmonaire. Crucialement, ils n'ont trouvé aucune différence de qualité diagnostique entre la nouvelle méthode à faible dose et la méthode traditionnelle à dose plus élevée. Cela signifie que les médecins pourraient potentiellement passer à ce nouveau protocole tout en réalisant des diagnostics précis, mais avec une réduction significative de la charge imposée au patient.

L'étude a également mis en évidence ce qui ne fonctionnait pas aussi bien. Lorsque les chercheurs ont essayé d'utiliser le réglage de basse énergie avec la méthode de nettoyage traditionnelle, les images étaient trop bruitées pour être utiles, confirmant que l'ancienne technologie ne pouvait pas gérer l'extrême clarté du scan à basse énergie. De même, l'utilisation de la méthode d'apprentissage profond à une intensité moyenne n'était pas aussi efficace que la version à haute intensité. La recherche suggère que l'algorithme d'apprentissage profond à haute intensité est essentiel pour débloquer les avantages du balayage à basse énergie.

Ce travail démontre qu'il est possible de réduire considérablement la quantité de radiations et de produit de contraste qu'un patient reçoit sans sacrifier la capacité à voir de petits caillots dangereux dans les poumons. En trouvant le bon équilibre entre les niveaux d'énergie et le traitement informatique avancé, les chercheurs ont montré une voie vers des scanners plus sûrs et plus confortables pour les patients. Bien que l'étude ait été menée dans un seul centre et avec un type de scanner spécifique, les résultats offrent un modèle prometteur pour la façon dont les hôpitaux pourraient améliorer les soins à l'avenir, garantissant que les outils utilisés pour sauver des vies ne causent pas par inadvertance de tort par une exposition excessive.