AIRPET: Virtual Positron Emission Tomography

Dit artikel introduceert AIRPET, een webgebaseerd, AI-ondersteund platform dat het complexe, meerfasige proces van PET-scannerontwerp en -evaluatie stroomlijnt door detector-simulatie, beeldreconstructie en door LLM gestuurde geometrie-creatie te integreren in één toegankelijke workflow.

De kern

Stel je voor dat je een gloednieuwe, hypermoderne camera wilt bouwen die in het menselijk lichaam kan kijken om ziekten op te sporen. Dit is geen gewone camera; het is een PET-scanner, een apparaat dat minuscule deeltjes detecteert om 3D-beelden te maken van hoe de organen in je lichaam functioneren.

Het bouwen van zo'n machine is ontzettend moeilijk. Het is alsof je een Ferrari probeert te bouwen, er een racebaan op probeert te rijden en vervolgens zelf de arts moet zijn die de gezondheid van de coureur diagnosticeert.

Dit artikel introduceert AIRPET, een nieuwe webgebaseerde tool die deze onmogelijke taak veel gemakkelijker maakt door te fungeren als een "co-piloot" voor wetenschappers.

Hier is hoe AIRPET werkt, onderverdeeld in eenvoudige stappen:

1. Het Probleem: Een Driehoofdige Monster

Momenteel is het ontwerpen van een PET-scanner opgesplitst in drie zeer moeilijke taken die meestal verschillende experts vereisen:

• De Architect: Ontwerpt de fysieke vorm en de materialen van de detector (met behulp van complexe wiskunde- en natuurkundige software).
• De Simulator: Voert een "virtuele proefrit" uit om te zien hoe de machine zou reageren als deze echt zou bestaan.
• De Dokter: Bekijkt de resulterende beelden om te zien of ze duidelijk genoeg zijn om een patiënt te diagnosticeren.

De meeste onderzoekers kunnen slechts één van deze taken goed uitvoeren. Als je geweldig bent in ontwerp, heb je misschien moeite met de simulatiecode. Als je een programmeur bent, begrijp je de medische kant misschien niet. Dit creëert een "silo" waar experts niet gemakkelijk met elkaar kunnen communiceren.

2. De Oplossing: AIRPET (De Alles-in-één Werkplaats)

AIRPET is een website die al deze drie taken samenbrengt in één enkele, gebruiksvriendelijke werkplaats. Het is als een "Lego-set" voor PET-scanners, maar dan met een slimme robothelper.

• De Slimme Robot (AI-assistent): In plaats van honderden regels verwarrende code te schrijven om je machine te beschrijven, kun je simpelweg een verzoek aan de AI typen. Je kunt bijvoorbeeld zeggen: "Bouw een ring van 16 kristallen met een straal van 90 cm." De AI fungeert als een vertaler die jouw eenvoudige woorden omzet in de complexe technische bestanden die de computer nodig heeft om de virtuele machine te bouwen.
• De Virtuele Proefrit (Simulatie): Zodra de machine in de computer is "gebouwd", voert AIRPET een simulatie uit. Het schiet virtuele deeltjes door je ontwerp om te zien hoe ze rondstuiteren, net zoals je een auto crasht in een videogame voordat je hem echt bouwt.
• De Beeldmaker (Reconstructie): Na de simulatie neemt de tool de gegevens en zet deze direct om in een 3D-beeld. Je kunt dan zien of je ontwerp daadwerkelijk een helder beeld produceert of dat het wazig is.

3. Een Echt Voorbeeld: De "CRYSP"-test

De auteurs hebben deze tool getest met een specifiek ontwerp genaamd CRYSP. Ze gebruikten AIRPET om een virtuele scanner te bouwen van speciale kristallen. Ze plaatsten een "phantom" (een nep-lichaamsdeel gemaakt van water met zes kleine balletjes erin) in het midden.

Ze vertelden de computer om de scanner naar deze balletjes te laten kijken. Binnen enkele minuten genereerde AIRPET een 3D-beeld waarin de zes balletjes duidelijk zichtbaar waren. Dit bewees dat de tool een ontwerpidee kan nemen, het kan simuleren en het resultaat kan tonen zonder dat er een team van tien experts voor nodig is.

4. Wat Nu Volgt? (De Toekomstige Werkplaats)

Het artikel legt uit dat AIRPET nog in aanbouw is, zoals een huis waarvan de muren staan maar waar de meubels nog ontbreken. De auteurs zijn van plan om het volgende toe te voegen:

• Betere AI-tools: In plaats van de AI alleen te vragen om "code te schrijven", willen ze de AI specifieke "instrumenten" geven (zoals een vooraf gemaakte functie om kristallen in een cirkel te rangschikken), zodat de AI minder fouten maakt.
• Een Bibliotheek van Onderdelen: Een digitale plank waar gebruikers vooraf gemaakte onderdelen kunnen pakken (zoals standaard medische testobjecten) in plaats van alles vanaf nul op te bouwen.
• De "AI-Dokter": Uiteindelijk willen ze een AI toevoegen die naar de gegenereerde 3D-beelden kan kijken en een tweede mening kan geven over hoe goed het beeld is, om zo als trainingspartner voor echte artsen te dienen.

De Kernboodschap

AIRPET is een webgebaseerd platform dat kunstmatige intelligentie gebruikt om wetenschappers te helpen bij het ontwerpen, testen en visualiseren van PET-scanners op één centrale plek. Het verlaagt de drempel, waardoor kleinere teams of individuen kunnen experimenteren met nieuwe scannerontwerpen zonder dat zij meester hoeven te zijn in elke stap van het proces. Het is momenteel een onderzoekstool voor het bouwen van betere machines, en nog geen apparaat dat direct op patiënten wordt gebruikt.

Technische samenvatting

Technische Samenvatting: AIRPET – Virtuele Positron Emissie Tomografie

Probleemstelling
Het ontwerp en de evaluatie van nieuwe technologieën voor Positron Emissie Tomografie (PET) is een complex, multidisciplinair proces dat doorgaans is onderverdeeld in drie afzonderlijke fasen: (1) detectorontwerp en simulatie, (2) beeldreconstructie, en (3) beeldinterpretatie. Elke fase vereist gespecialiseerde expertise, wat een aanzienlijke barrière vormt voor onderzoekers en ingenieurs die niet gemakkelijk alle drie de fasen simultaan kunnen beheren. Bovendien leunt het huidige landschap op een verscheidenheid aan gespecialiseerde softwaretools die in silo's opereren, wat een aanzienlijke inspanning vereist voor integratie en vaak voorkomt dat experts in één domein de implicaties van hun werk voor andere fasen volledig kunnen begrijpen. Hoewel medische professionals de uiteindelijke interpretatie uitvoeren, is er behoefte aan tools die kunnen assisteren bij het genereren van trainingsgegevens en het bieden van een "AI-partner" om diagnoses te vergelijken met die van radiologen.

Methodologie
Om deze uitdagingen aan te pakken, hebben de auteurs AIRPET (AI-driven Revolution in Positron Emission Tomography) ontwikkeld, een open-source, webgebaseerd platform dat de volledige PET-ontwerpworkflow integreert in één enkele interface. Het systeem werkt volgens een client-servermodel:

• Frontend: Gebouwd met HTML/JavaScript en three.js, biedt het een visuele editor voor 3D-geometrie-manipulatie.
• Backend: Gebouwd met Python/Flask, beheert het de projectstatus, de uitvoering van simulaties en de beeldreconstructie.

De workflow verloopt via de volgende technische componenten:

1. Detectorontwerp: Gebruikers definiëren geometrie via een visuele editor of tekstgebaseerde prompts. Het systeem maakt gebruik van een interne JSON-representatie en ondersteunt het standaard Geant4 GDML-formaat voor import/export. Een kernkenmerk is de integratie van Large Language Models (LLM's), die momenteel lokaal gehoste open-source modellen ondersteunen (via Ollama) en cloudgebaseerde modellen (Google Gemini). Gebruikers kunnen natuurlijke taalcommando's invoeren (bijv. "creëer een minimale PET-geometrie...") die de AI probeert te vertalen naar de benodigde JSON-structuur. Het systeem ondersteunt ook CAD-import via STEP-bestanden met behulp van de pythonocc-bibliotheek.
2. Detector Simulatie: Bij initiatie door de gebruiker genereert de backend GDML- en Geant4 macro (.mac) bestanden op basis van de gedefinieerde geometrie en parameters. De simulatie draait in een aparte thread en biedt realtime voortgangsupdates. Uitvoergegevens, inclusclusief detector-hits en deeltjesbanen, worden opgeslagen in HDF5-formaat.
3. Beeldreconstructie: Het systeem verwerkt gesimuleerde 511 keV gamma-interacties naar Lines of Response (LORs). Het past basisprincipes van detectorfysica toe, zoals Gaussian smearing voor positie- en energieresolutie. Het platform koppelt met de parallelproj-bibliotheek om 3D-beeldreconstructie uit te voeren met behulp van het Maximum Likelihood Expectation Maximization (MLEM) algoritme.
4. Medische Evaluatie (Voorgesteld): De auteurs schetsen een toekomstige module die multi-modale LLM's inzet om kwalitatieve beoordelingen van gereconstrueerde beelden te geven, bedoeld als een trainingsinstrument in plaats van een vervanging voor professionele medische diagnose.

Belangrijkste Bijdragen en Resultaten

• Verenigde Workflow: AIRPET overbrugt succesvol de kloof tussen detectorontwerp, simulatie en beeldreconstructie, waardoor gebruikers van geometrie-definitie naar een gevisualiseerd 3D-PET-beeld kunnen gaan binnen één enkele webinterface.
• AI-ondersteunde Geometriecreatie: Het platform demonstreert de haalbaarheid van het gebruik van LLM's om complexe detectorgeometrieën te genereren vanuit tekstprompts, wat de handmatige programmeerlast aanzienlijk vermindert, hoewel de auteurs opmerken dat dit momenteel menselijke verfijning vereist.
• Demonstratiegeval (CRYSP): Het artikel presenteert een validatiegeval waarbij een vereenvoudigde versie van de CRYSP1M total-body PET-scanner wordt gemodelleerd. Het systeem simuleerde een 6-sferische watergevulde fantoom met variërende radii en activiteitsratio's. Met behulp van 108 positron-elektron vervallen en 10 iteraties van het MLEM-algoritme, slaagde AIRPET erin een 3D-beeld van de fantoom te reconstrueren en de activiteitsverdeling te visualiseren. De normalisatie werd uitgevoerd met behulp van een sensitiviteitsmatrix afgeleid van gesimuleerde willekeurige LOR's.

Betekenis en Claims
De auteurs positioneren AIRPET als een instrument om de PET-onderzoek en -ontwikkeling te democratiseren door de technische barrières die gepaard gaan met het integreren van simulatie- en reconstructietools te verlagen. Het platform heeft als doel twee primaire functies te vervullen:

1. Een Trainingsgrond: Door trainingssets en gesimuleerde realistische problemen te genereren, ondersteunt het de educatie van onderzoekers en de ontwikkeling van AI-diagnostische tools.
2. Een AI-partner: Het biedt een mechanisme om AI-gegenereerde diagnoses te vergelijken met die van radiologen, wat de evaluatie van nieuwe scannerontwerpen potentieel kan versnellen.

Het artikel behoudt een bescheiden toon met betrekking tot de huidige capaciteiten, waarbij wordt erkend dat de AI-ondersteunde geometriecreatie nog geen vervanging is voor deskundige menselijke ontwerpers en dat de module voor medische evaluatie een toekomstig doel is in plaats van een huidige functie. De primaire waarde ligt in de integratie van deze uiteenlopende fasen in een samenhangende, toegankelijke workflow om efficiënter PET-scannerontwerp te faciliteren.