Deep Learning Reconstruction Combined with Ultra-Low Pitch Scanning: A Synergistic Strategy for Helical Artifact Suppression in Low-Dose Abdominal CT

L'imaging medico ha affronto per lungo tempo un difficile equilibrio. Per vedere chiaramente l'interno del corpo umano, i medici si affidano alle scansioni raggi X che attraversano i tessuti per creare un'immagine. Più l'immagine è nitida, più è facile individuare problemi come tumori o infiammazioni. Tuttavia, ottenere un'immagine nitida spesso richiede una dose di radiazioni più elevata, il che comporta i propri rischi, specialmente per i pazienti che necessitano di controlli frequenti. Al contrario, abbassare la dose di radiazioni per proteggere i pazienti comporta spesso immagini granulose e rumorose dove i dettagli fini si confondono tra loro. Nell'addome, questo problema è aggravato dal modo in cui si muove lo scanner. Mentre la macchina ruota attorno al paziente, si sposta in avanti a spirale per catturare l'intero corpo. Se questa spirale è troppo ampia o veloce, compaiono lacune nei dati, creando striature e distorsioni note come artefatti elicoidali. Queste striature possono nascondere le delicate pareti degli intestini, rendendo difficile la diagnosi di condizioni come la malattia di Crohn o le ostruzioni intestinali. Per decenni, i radiologi hanno dovuto scegliere tra una scansione rapida a basso dosaggio con scarsa qualità dell'immagine o una scansione lenta e di alta qualità che espone il paziente a più radiazioni.

Un team di ricercatori presso l'Ospedale Generale Internazionale Guiqian in Cina ha cercato di superare questo compromesso. Hanno testato un nuovo approccio che combina due tecnologie specifiche per vedere se potessero lavorare insieme per risolvere il problema. La prima parte della loro strategia prevede il rallentamento del movimento a spirale dello scanner a una velocità "ultra-bassa". Muovendo lo scanner più lentamente, esso cattura una quantità di dati molto più densa, colmando le lacune che di solito causano quelle distraenti striature. La seconda parte della strategia utilizza un moderno programma informatico basato sul deep learning. A differenza dei vecchi programmi informatici che si limitano a levigare le immagini granulose, questo nuovo programma è stato addestrato su migliaia di immagini mediche reali. Esso impara a riconoscere la differenza tra il rumore casuale, gli artefatti indesiderati e l'effettiva anatomia del corpo. I ricercatori volevano sapere se l'uso di questa velocità di scansione lenta insieme al programma informatico intelligente potesse produrre un'immagine dell'addome chiara e a bassa radiazione che fosse migliore di quanto sia attualmente possibile.

Per trovare la risposta, i ricercatori hanno arruolato 9 {per l'originale 90} pazienti che necessitavano di scansioni TC addominali per motivi medici. Hanno diviso questi pazienti in tre gruppi per confrontare diversi metodi di scansione. Un gruppo ha ricevuto una scansione standard utilizzando una velocità convenzionale e un metodo tradizionale di elaborazione delle immagini. Un secondo gruppo ha ricevuto una scansione leggermente più lenta, sempre utilizzando il metodo tradizionale. Il terzo gruppo ha ricevuto la scansione ultra-lenta, ma questo gruppo è stato diviso in due: metà sono stati elaborati con il metodo tradizionale e l'altra metà con il nuovo programma informatico basato sul deep learning. I ricercatori hanno poi misurato tutto, dalla quantità di radiazioni ricevuta da ciascun paziente alla chiarezza delle immagini finali. Hanno osservato quanto rumore ci fosse nelle immagini, quanto bene le immagini mostrassero il contrasto tra i diversi tessuti e quanto spesso apparissero le striature distraenti. Due radiologi esperti, che non sapevano a quale gruppo appartenesse ciascun paziente, hanno anche valutato le immagini su una scala da uno a cinque in base alla facilità di lettura e alla chiarezza dei dettagli.

I risultati hanno mostrato che la combinazione della scansione ultra-lenta e del programma di deep learning era la vincitrice indiscussa. Questo specifico gruppo ha ricevuto la minore quantità di radiazioni di tutti, con una dose media di 9,88 unità, rispetto alle dosi più elevate negli altri gruppi. Più importante ancora, le immagini prodotte erano significativamente più chiare. Il programma di deep learning è riuscito a rimuovere il rumore granuloso che di solito affligge le scansioni a basso dosaggio, rendendo le immagini molto più nitide. I ricercatori hanno scoperto che il rumore in queste immagini era ridotto di oltre la metà rispetto alle scansioni standard. Anche le striature e le distorsioni che tipicamente oscurano le pareti intestinali sono state drasticamente soppresse. Nei gruppi che utilizzavano velocità standard o leggermente più lente, questi artefatti apparivano nella maggior parte delle scansioni, rendendo spesso difficile l'interpretazione di parti dell'immagine. Al contrario, il gruppo con la scansione ultra-lenta e il programma di deep learning mostrava questi artefatti solo in una piccola frazione dei casi. I radiologi hanno valutato queste immagini come eccellenti, notando che le pareti intestinali e le strutture circostanti erano visibili con una chiarezza eccezionale.

Lo studio suggerisce che questo doppio approccio funzioni attaccando il problema da due lati. Primo, la velocità di scansione lenta impedisce agli artefatti di formarsi fin dall'inizio, assicurando che la macchina catturi abbastanza dati. Secondo, il programma di deep learning pulisce eventuali imperfezioni rimanenti, distinguendo tra le vere strutture corporee e il rumore digitale. Ciò ha permesso al team di ridurre significativamente la dose di radiazioni senza sacrificare la qualità dell'immagine. I ricercatori hanno osservato che questo metodo è particolarmente utile per i pazienti che necessitano di scansioni ripetute nel tempo, come quelli che monitorano malattie intestinali croniche, perché minimizza la dose totale di radiazioni che ricevono nel corso della vita. Tuttavia, hanno anche evidenziato un limite pratico: poiché lo scanner si muove così lentamente, la scansione richiede più tempo per completarsi. Il tempo medio per questa scansione ultra-lenta è stato di quasi nove secondi, ovvero più del doppio del tempo di una scansione standard. Ciò richiede ai pazienti di trattenere il respiro per un periodo più lungo, il che potrebbe essere difficile per coloro che sono molto malati, in dolore o incapaci di seguire le istruzioni respiratorie.

Nonostante il tempo di scansione più lungo, i risultati offrono una strada promettente per l'imaging addominale. I ricercatori hanno concluso che questa strategia sopprime efficacementamente le striature che di solito rovinano le immagini a basso dosaggio, mantenendo al contempo basse le esposizioni alle radiazioni. Fornisce un modo per vedere i dettagli intricati del tratto digestivo senza il consueto compromesso tra sicurezza e chiarezza. Sebbene lo studio sia stato condotto in un singolo ospedale e si sia concentrato specificamente sugli organi cavi dell'addome, i risultati indicano che questo metodo potrebbe diventare uno standard per eseguire queste scansioni. Combinando un semplice aggiustamento alla velocità dello scanner con l'elaborazione informatica avanzata, i medici potranno presto fornire diagnosi più sicure e chiare per i pazienti che ne hanno più bisogno.