Real-time Volumetric Imaging for Minimally-Invasive Thoracic Interventions: A Deformable Phantom Study
Questo studio dimostra che VoxelMap, un framework di deep learning, è in grado di generare immagini volumetriche 3D accurate e in tempo reale del movimento respiratorio da proiezioni fluoroscopiche 2D su un sistema C-arm clinico utilizzando phantom deformabili, con l'incertezza del modello che funge da indicatore affidabile dell'accuratezza della predizione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
All'interno del torace umano, i polmoni non sono mai fermi. Con ogni respiro, si espandono e si contraggono, spostando la posizione di vasi sanguigni, vie aeree e qualsiasi tumore o strumento al loro interno. Per i medici che eseguono procedure delicate come biopsie o trattamenti tumorali, questo movimento costante crea un problema difficile. Essi si affidano alla fluoroscopia a raggi X, una tecnica che fornisce un video continuo e in tempo reale dell'interno del corpo, molto simile a una trasmissione in diretta. Tuttavia, questo video è solo bidimensionale, un'ombra piatta che nasconde la vera profondità tridimensionale dell'anatomia. Per vedere la forma completa e la posizione delle strutture, i medici devono interrompere la procedura per eseguire una scansione tridimensionale, come una tomografia computerizzata a fascio conico, o CBCT. Ma queste scansioni sono istantanee nel tempo; non si aggiornano mentre il paziente respira, e l'anatomia può essersi spostata nel momento in cui il medico le osserva. Attualmente non esiste modo per ottenere una vista tridimensionale del torace che si aggiorni continuamente mentre il medico lavora con l'attrezzatura radiografica standard.
Un team di ricercatori ha sviluppato un nuovo metodo per colmare questa lacuna, utilizzando l'intelligenza artificiale per ricostruire un volume tridimensionale in movimento a partire da immagini radiografiche bidimensionali standard. Il loro lavoro, testato su modelli fisici di polmoni umani, dimostra che è possibile generare una mappa tridimensionale dal vivo dell'anatomia respiratoria senza interrompere la procedura. Il sistema, chiamato VoxelMap, impara a prevedere come il torace si deformi con ogni respiro analizzando le ombre mutevoli nel video radiografico. Se avrà successo, questa tecnologia permetterà ai medici di navigare con gli strumenti attraverso i polmoni con una guida tridimensionale costantemente aggiornata, migliorando la precisione e la sicurezza senza la necessità di ripetute scansioni ad alta dose di radiazioni.
I ricercatori hanno testato questo sistema utilizzando due diversi modelli fisici, o fantocci, progettati per simulare il torace umano e il suo movimento respiratorio. Il primo modello, noto come PixelPrint4D, era un fantoccio a polmone singolo costruito per somigliare al polmone di uno specifico paziente, completo di tumori e vasi sanguigni simulati. Il secondo, chiamato Casper, era un modello più completo dell'intero torso umano, inclusi le costole e una parete toracica che si muoveva realisticamente. Entrambi i modelli sono stati posizionati all'interno di una macchina radiografica clinica, del tipo presente nelle sale operatorie degli ospedali, e programmati per respirare attraverso un ciclo di dieci fasi distinte, dall'inalazione profonda all'esalazione completa. Il team ha utilizzato la macchina per catturare migliaia di immagini radiografiche bidimensionali mentre i modelli si muovevano. Hanno poi utilizzato queste immagini per addestrare una rete di deep learning, un tipo di intelligenza artificiale, per comprendere la relazione tra le ombre piatte dei raggi X e la forma tridimensionale sottostante dei polmoni.
Per garantire che il sistema potesse gestire la natura imprevedibile della respirazione reale, i ricercatori hanno addestrato l'IA sulla maggior parte delle fasi respiratorie, ma hanno deliberatamente escluso una fase dall'addestramento. Hanno poi chiesto al sistema di prevedere la forma tridimensionale dei polmoni durante quella fase mancante, utilizzando solo le immagini radiografiche bidimensionali scattate in quel momento. Hanno confrontato la previsione dell'IA con la scansione tridimensionale effettiva scattata del fantoccio nello stesso momento per vedere quanto fosse vicino l'abbinamento. I risultati hanno mostrato che il sistema poteva ricostruire accuratamente l'anatomia tridimensionale. In ogni test, le immagini previste corrispondevano alle scansioni reali con un alto grado di somiglianza, con il sistema che performava ancora meglio sul modello del torso più complesso rispetto al modello a polmone singolo. L'accuratezza era così elevata che le immagini previste erano quasi indistinguibili dalla realtà (ground truth) in termini di dettaglio strutturale.
La velocità era importante quanto l'accuratezza affinché questa tecnologia fosse utile in un contesto medico dal vivo. I ricercatori hanno misurato quanto tempo impiegava il computer per elaborare una singola immagine radiografica e generare il corrispondente volume tridimensionale. Il sistema ha completato questo compito in meno di 15 millisecondi, una velocità sufficiente per stare al passo con il flusso continuo di immagini in una procedura in tempo reale. Ciò significa che la vista tridimensionale potrebbe teoricamente aggiornarsi alla stessa velocità con cui la macchina radiografica cattura nuovi fotogrammi, fornendo una guida fluida e dal vivo al medico.
Oltre a generare semplicemente l'immagine, i ricercatori volevano sapere se il sistema potesse dire al medico quando potrebbe sbagliare. Nelle applicazioni mediche, è fondamentale sapere quando la previsione di un computer è affidabile. Per testare questo aspetto, hanno utilizzato una tecnica chiamata deep ensemble, in cui cinque versioni leggermente diverse del modello di IA lavorano insieme per effettuare una previsione. Osservando quanto queste cinque versioni discordessero tra loro, il sistema poteva calcolare una misura di incertezza. Lo studio ha trovato un legame chiaro tra questa incertezza e l'errore effettivo nella previsione: quando i modelli discordevano di più, la previsione era meno accurata. Ciò suggerisce che il sistema potrebbe fornire un segnale di avviso integrato, avvertendo il medico di essere più cauto quando l'IA è meno sicura della propria ricostruzione.
Lo studio conferma che è possibile derivare informazioni tridimensionali accurate e costantemente aggiornate da proiezioni radiografiche bidimensionali standard in un contesto clinico. Il sistema ha funzionato efficacemente su due modelli fisici molto diversi del torace umano, mantenendo un'alta accuratezza e velocità. Sebbene lo studio sia stato condotto su modelli fisici e non su pazienti umani, esso stabilisce una prova di concetto fondamentale. I ricercatori hanno osservato che sono necessari ulteriori lavori per testare il sistema su dati reali di pazienti e per garantire che possa gestire l'intera variabilità della respirazione e dell'anatomia umana. Tuttavia, i risultati dimostrano che la tecnologia è pronta per passare dal laboratorio verso i trial clinici, offrendo un futuro potenziale in cui i medici possano vedere il panorama tridimensionale in movimento del torace senza mai interrompere la procedura.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.