Deep Learning Image Reconstruction Combined with SnapShot Freeze 2 Improves CCTA Image Quality in Patients with Atrial Fibrillation: A Retrospective Study

Il cuore umano è una pompa instancabile, che batte circa una volta ogni secondo per mantenere il sangue in movimento attraverso una vasta rete di arterie. Per i medici, vedere chiaramente l'interno di questi vasi è fondamentale per diagnosticare ostruzioni che potrebbero portare a un infarto. Uno degli strumenti più potenti per questo scopo è un tipo specializzato di TC, che utilizza i raggi X per creare immagini tridimensionali dettagliate delle arterie coronarie. Tuttavia, ottenere un'immagine nitida è difficile quando il cuore si muove. Se il cuore batte troppo velocemente o in modo irregolare, l'immagine risultante può apparire sfocata, come una fotografia scattata a un bambino che corre senza una velocità dell'otturatore sufficientemente alta. Questo problema diventa particolarmente grave nei pazienti con fibrillazione atriale, una condizione comune in cui le camere superiori del cuore tremano invece di battere con un ritmo costante. Il ritmo irregolare rende il movimento del cuore imprevedibile, spesso trasformando una scansione diagnostica in un pasticcio sfocato che non può essere utilizzato per prendere decisioni mediche.

Per anni, gli scienziati hanno cercato di risolvere questo problema sviluppando software in grado di "congelare" il movimento del cuore dopo che la scansione è stata effettuata. Questi programmi analizzano più momenti del battito cardiaco e li uniscono per creare un'immagine più nitida. Più recentemente, è stata introdotta una nuova tipologia di tecnologia informatica chiamata deep learning per aiutare a pulire il rumore granuloso che spesso affligge queste immagini. Mentre studi precedenti hanno esaminato questi strumenti separatamente, un nuovo studio condotto da ricercatori di Hainan, in Cina, si è posto l'obiettivo di vedere cosa accade quando vengono utilizzati insieme. Volevano sapere se combinare uno strumento di congelamento del movimento di seconda generazione con un potente pulitore basato sul deep learning potesse produrre immagini chiare e utilizzabili per i pazienti con fibrillazione atriale, anche quando la loro frequenza cardiaca era elevata e irregolare.

I ricercatori si sono concentrati su trenta pazienti che erano stati diagnosticati con fibrillazione atriale e che avevano sottoposto una TC coronarica con angiografia. Per garantire un test equo, non sono stati somministrati ai pazienti farmaci per rallentare il cuore, permettendo alle scansioni di riflettere la sfida del mondo reale di un battito irregolare. La frequenza cardiaca durante le scansioni variava da 60 a 160 battiti al minuto, con una media di 107 battiti al minuto, e il tempo tra un battito e l'altro variava significativamente da persona a persona. Dopo il completamento delle scansioni, il team ha preso i dati grezzi di ogni paziente e ha ricostruito le immagini utilizzando tre metodi diversi. Il primo metodo utilizzava una tecnica standard di riduzione del rumore abbinata alla correzione del movimento di prima generazione, più vecchia. Il secondo metodo utilizzava la stessa riduzione del rumore ma abbinata a una nuova correzione del movimento di seconda generazione, che tiene conto del movimento dell'intero cuore e non solo delle arterie. Il terzo metodo combinava questa nuova correzione del movimento con la tecnologia avanzata di deep learning progettata per rimuovere il rumore mantenendo nitidi i dettagli fini.

Il team ha poi confrontato i risultati di questi tre approcci, osservando sia i momenti di quiete del battito cardiaco (diastole) sia i momenti di contrazione attiva (sistole). Hanno misurato la chiarezza delle immagini controllando quanta "statica" o granulosità fosse presente e quanto risaltasse il contrasto tra i vasi sanguigni e il tessuto circostante. Hanno inoltre coinvolto due radiologi esperti, che non sapevano quale metodo avesse creato quale immagine, per valutare la qualità complessiva delle scansioni su una scala da uno a cinque. I risultati sono stati sorprendenti. Le immagini create con la tecnologia di deep learning e la correzione del movimento mostravano costantemente il minor livello di granulosità e i confini dei vasi più nitidi. Nella fase di quiete del battito cardiaco, il livello di rumore nel gruppo migliore era significativamente inferiore rispetto agli altri gruppi, scendendo da una media di circa 25 unità nel gruppo standard a poco più di 11 unità nel gruppo deep learning. Questa riduzione del rumore si è tradotta direttamente in un'immagine molto più chiara, con il rapporto segnale-rumore che in alcune aree è più che raddoppiato rispetto ai metodi precedenti.

Il miglioramento non era solo una questione di numeri; anche gli osservatori umani lo hanno notato. I radiologi hanno assegnato i punteggi più alti alle immagini ricostruite con il deep learning e la correzione del movimento di seconda generazione, in particolare durante la fase attiva del battito cardiaco, quando gli artefatti da movimento sono solitamente peggiori. Nella fase sistolica, il punteggio mediano per questo gruppo di punta era un perfetto quattro, mentre gli altri metodi oscillavano intorno a un tre. Anche l'accordo tra i due medici era stato più forte per queste immagini, suggerendo che il miglioramento fosse reale e costante, e non solo una questione di opinione di un singolo medico. Lo studio ha rilevato che, sebbene la vecchia correzione del movimento fosse migliore rispetto al non fare nulla, non poteva eguagliare la chiarezza ottenuta quando veniva abbinata allo strumento di deep learning. L'approccio di deep learning non si limitava a levigare l'immagine; preservava i bordi netti delle arterie, rendendole più facili da tracciare e misurare.

Questa ricerca suggerisce che, per i pazienti con battiti cardiaci irregolari, la combinazione di avanzata correzione del movimento e ricostruzione delle immagini tramite deep learning offre un vantaggio significativo rispetto alle pratiche standard attuali. Lo studio indica che questo approccio può ridurre la granulosità dell'immagine e mitigare l'effetto sfocato causato dal movimento erratico del cuore, trasformando potenzialmente scansioni che sarebbero state illeggibili in immagini di qualità diagnostica. Sebbene lo studio sia stato limitato a un piccolo gruppo di trenta pazienti ed è stato condotto in un unico centro medico, i risultati indicano una strada promettente da seguire. Utilizzando queste tecnologie combinate, i medici potrebbero fare meno affidamento sui farmaci per rallentare il cuore prima di una scansione e più su software sofisticati per pulire l'immagine successivamente, fornendo una visione più chiara della salute del cuore per una popolazione difficile da sottoporre a scansione.