Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

Immagina di cercare di scattare una fotografia perfetta di un tesoro segreto nascosto all'interno di una caverna nebbiosa e dalle pareti spesse. Nel mondo dell'imaging medico, questo "tesoro" è un minuscolo segnale proveniente da un tracciante radioattivo all'interno del corpo di un paziente, e la "macchina fotografica" è una macchina chiamata SPECT (Single-Photon Emission Computed Tomography). Normalmente, per ottenere un'immagine nitida, i medici utilizzano un filtro speciale chiamato collimatore, che agisce come un insieme di piccoli tunnel, permettendo solo ai raggi di luce (o in questo caso, ai raggi gamma) di passare in linea retta. Ma ecco il problema: per ottenere un'immagine davvero nitida, serve un gran numero di questi tunnel. Se si stipano troppi tunnel l'uno accanto all'altro, le loro visuali iniziano a sovrapporsi, come guardare attraverso un caleidoscopio dove i motivi si mescolano creando un pasticcio confuso. Inoltre, le pareti della caverna (il corpo del paziente) assorbono e fanno rimbalzare i raggi, rendendo l'immagine sfocata e fioca. Per decenni, risolvere questi disordini sfocati e sovrapposti ha richiesto l'esecuzione di una seconda, pericolosa scansione a raggi X solo per mappare le pareti della caverna, il che aggiungeva radiazioni extra e costi. Gli scienziati hanno cercato un modo per districare il caos e diradare la nebbia senza quella scansione a raggi X supplementare, sperando di rendere la macchina più veloce, economica e sicura per tutti.

Questo articolo introduce un nuovo e ingegnoso trucco utilizzando un tipo di intelligenza artificiale chiamata Rete Neurale Convoluzionale (CNN), che è come un super-intelligente detective digitale addestrato a risolvere enigmi visivi. I ricercatori, lavorando con un sistema SPECT stazionario dotato di una vasta matrice di 44 pinhole (piccoli tunnel), si sono trovati di fronte a un doppio problema: le visuali provenienti da questi 44 fori si sovrapponevano come un gomitolo di lana aggrovigliato, e i raggi venivano distorti dal corpo del paziente. Invece di cercare di districare il gomitolo con una matematica complessa che richiede tempo infinito, hanno insegnato al loro detective IA un nuovo gioco. Hanno fornito all'IA un input "disordinato": i dati sovrapposti, sfocati e rumorosi generati simulando come i raggi gamma rimbalzano e vengono assorbiti all'interno di un cervello. Poi, hanno mostrato all'IA l'obiettivo "perfetto": come dovrebbe apparire l'immagine se non ci fossero sovrapposzioni, né sfocature, né rumore. Praticando su migliaia di questi casi cerebrali simulati, l'IA ha imparato a separare istantaneamente il gomitolo aggrovigliato in fili ordinati e, contemporaneamente, a cancellare la nebbia e il rumore.

I risultati di questa simulazione sono stati piuttosto promettenti. Quando i ricercatori hanno testato la loro IA su immagini cerebrali, essa è riuscita a districare le proiezioni sovrapposte dei 44 pinhole e a correggere le distorsioni fisiche senza bisogno di mappe a raggi X supplementari. L'IA ha prodotto immagini significativamente più chiare e accurate rispetto a quelle realizzate con metodi più vecchi. Ad esempio, il nuovo metodo ha ottenuto un "Rapporto Segnale-Rumore di Picco" (una misura della chiarezza dell'immagine) di 18,38 ± 0,79 dB, che è migliore dei 15,54 ± 1,35 dB ottenuti con un sistema che utilizza solo 11 pinhole (dove non avviene alcuna sovrapposizione) e dei 15,93 ± 1,12 dB di una telecamera fan-beam standard. Lo studio ha anche confrontato il loro metodo con una tecnica tradizionale chiamata metodo di correzione di Moore; l'approccio dell'IA ha prodotto immagini molto più nitide con meno errori, raggiungendo un Errore Quadratico Medio Normalizzato (NMSE) di 0,18 ± 0,02 rispetto allo 0,24 ± 0,06 della configurazione a 11 pinhole.

Tuttavia, è importante ricordare che queste scoperte derivano da simulazioni al computer, non ancora da pazienti reali. I ricercatori hanno simulato un cervello con una specifica quantità di tracciante radioattivo (370 MBq) e hanno utilizzato una telecamera virtuale con 44 pinhole. Hanno scoperto che, sebbene l'IA potesse gestire i dati "disordinati" di tutti i 44 pinhole, funzionava meglio quando la telecamera si muoveva solo un pochino (una configurazione "quasi-stazionaria" dove i rilevatori ruotavano di 60 gradi una sola volta), il che aiutava a ridurre ulteriormente gli artefatti residui. Il documento esclude esplicitamente l'idea che sia necessaria una scansione TC separata per correggere l'immagine; l'IA ha imparato a eseguire la "correzione dell'attenuazione" (correggere la nebbia) autonomamente. Sebbene il metodo abbia mostrato un grande potenziale per l'imaging cerebrale, dove le "pareti della caverna" sono piuttosto uniformi, gli autori notano che potrebbe essere più complicato da applicare ad altre parti del corpo, come il cuore, dove la densità varia enormemente. In definitiva, questo studio suggerisce che un'IA intelligente potrebbe presto consentire ai medici di utilizzare telecamere multi-pinhole ad alta sensibilità per ottenere immagini cerebrali quantitative di alta qualità, più velocemente e senza la dose extra di radiazioni di una scansione TC, ma è necessario ulteriore test con dati umani reali per confermare se questa magia funziona nel mondo reale.