Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning

In de wereld van medische beeldvorming vertrouwen artsen vaak op twee krachtige instrumenten om in het menselijk lichaam te kijken: Positron Emissie Tomografie, of PET, die onthult hoe organen functioneren door radioactieve tracers te volgen, en Computertomografie, of CT, die röntgenstraling gebruikt om gedetailleerde kaarten van bot- en weefseldichtheid te maken. Om een PET-scan bruikbaar te maken, moet de computer precies weten hoeveel de weefsels van het lichaam de straling zullen blokkeren of absorberen terwijl deze erdoorheen reist; dit proces wordt attenuatiecorrectie genoemd. Traditioneel hebben artsen een CT-scan gebruikt om deze dichtheidskaart te leveren. Een CT-scan voegt echter een aanzienlijke dosis ioniserende straling toe aan de patiënt, wat een punt van zorg is, vooral voor mensen die frequente monitoring nodig hebben. De uitdaging is dan om een digitale versie van die dichtheidskaart te creëren—een "pseudo-CT"—met behulp van alleen de informatie die al aanwezig is in de PET-scan en een magnetische resonantiebeeld, of MRI, zonder de patiënt bloot te stellen aan extra röntgenstralen.

Een team onderzoekers van de Universiteit van Manchester pakte dit probleem aan door deel te nemen aan een wedstrijd die precies deze capaciteit testte. Ze bouwden een geavanceerd computersysteem dat in staat is om tegelijkertijd naar drie verschillende soorten medische beelden te kijken: de ruwe PET-scan, een MRI en een 2D-projectiebeeld dat een topogram wordt genoemd, wat in essentie een snelle, laag-gedoseerde röntgenopname is van de algehele vorm van het lichaam. Hun doel was om een machine te leren om deze verschillende bronnen van informatie te combineren om een hoogwaardige 3D-kaart van weefseldichtheid te genereren die een volledige CT-scan kan vervangen. De onderzoekers ontdekten dat door elk type beeld anders te behandelen en vervolgens hun inzichten zorgvuldig samen te voegen, ze een model konden creëren dat nauwkeurige dichtheidskaarten produceert, wat op zijn beurt zorgt voor duidelijkere en preciezere PET-beelden zonder dat daar een aparte CT-scan voor nodig is.

De kern van hun aanpak was een digitale architectuur die de unieke aard van elk beeldtype respecteert. In tegen tegenstelling tot eerdere methoden die de verschillende beelden simpelweg op elkaar zouden stapelen alsof het lagen van een enkele taart waren, erkende dit team dat de PET-scan, de MRI en de 2D-topogram niet altijd perfect in de ruimte met elkaar uitlijnen. In plaats daarvan bouwden ze aparte paden voor de 3D PET- en MRI-data, waardoor de computer de specifieke kenmerken van elke modaliteit onafhankelijk van elkaar kon leren. Terwijl deze afzonderlijke informatiestromen dieper in het systeem bewogen, werden ze op meerdere niveaus van detail samengebracht. Op elk stadium gebruikte het systeem een mechanisme om het belang van de gecombineerde informatie te wegen, waardoor werd gewaarborgd dat de meest nuttige details van zowel de PET als de MRI behouden bleven, terwijl minder relevante ruis werd weggefilterd.

De 2D-topogram werd op een unieke manier behandeld omdat deze het hele lichaam in een platte projectie weergeeft in plaats van een 3D-volume. Omdat deze niet punt voor punt kan worden gematcht met de 3D-coupes van de PET of MRI, gebruikten de onderzoekers het als een gids voor de algehele vorm en anatomie van de patiënt. Ze voedden dit 2D-beeld aan een vooraf getraind systeem dat een samenvatting van de lichaamsvorm extraheerde. Deze samenvatting werd vervolgens gebruikt om het hoofdpad van de 3D-verwerking voorzichtig bij te sturen en aan te passen, wat het systeem effectief vertelde: "Onthoud, deze patiënt heeft deze specifieke lichaamsvorm," zonder de 2D-afbeelding te dwingen in het 3D-raster te passen. Deze methode stelde het systeem in staat om het globale overzicht van de topogram te gebruiken om de lokale details van de gegenereerde kaart te verfijnen, een techniek die effectiever bleek dan het proberen af te dwingen van een rigide ruimtelijke uitlijning tussen de verschillende beeldtypen.

Toen de onderzoekers hun uiteindelijke systeem testten op vier proefpersonen uit een interne validatieset, waren de resultaten veelbelovend. De door de computer gegenereerde kaarten kwamen opmerkelijk dicht in de buurt van de echte CT-scans, met zeer kleine gemiddelde verschillen in de dichtheidswaarden. Nog belangrijker was dat wanneer deze gegenereerde kaarten werden gebruikt om de PET-scans te corrigeren, de resulterende beelden een hoge mate van nauwkeurigheid vertoonden. De gemiddelde fout in de gestandaardiseerde opnamewaarden—een belangrijke maatstaf voor hoeveel tracer het lichaam absorbeert—was extreem laag, en de bias in specifieke organen was minimaal. Het systeem presteerde ook goed in de hersenen, een kritiek gebied voor het detecteren van abnormaliteiten, met zeer weinig uitschieters. Deze bevindingen suggereren dat de methode erin geslaagd is de complementaire sterktes van de verschillende beeldvormingsmodaliteiten te integreren om een betrouwbaar substituut voor een CT-scan te creëren.

Het team onderzocht ook of het toevoegen van extra variaties aan de trainingsdata, zoals het verschuiven of roteren van de beelden om imperfecties uit de echte wereld na te bootsen, de resultaten zou verbeteren. Ze kwamen tot de conclusie dat deze veelvoorkomende technieken niet hielpen; sterker nog, het model dat getraind was op de originele, ongewijzigde data presteerde beter dan welke versie dan ook die aan deze augmentaties was onderworpen. Dit geeft aan dat de specifieke architectuur die zij ontwierpen, met de afzonderlijke coderingstrajecten en de unieke manier waarop de 2D-topogram werd behandeld, robuust genoeg was om de natuurlijke variaties in de data aan te kunnen zonder dat er kunstmatige trucs nodig waren om het te dwingen ervan te leren. De studie concludeert dat deze multimodale aanpak een levensvatbaar pad biedt naar hoogwaardige PET-attenuatiecorrectie die de extra stralingsdosis van een CT-scan vermijdt, door te vertrouken op een slimme synthese van bestaande beeldgegevens.