Real-time Volumetric Imaging for Minimally-Invasive Thoracic Interventions: A Deformable Phantom Study

In de menselijke borstkas zijn de longen nooit stil. Met elke ademhaling zetten ze uit en krimpen ze in, waardoor de positie van bloedvaten, luchtwegen en eventuele tumoren of instrumenten binnenin verschuift. Voor artsen die delicate procedures uitvoeren, zoals biopten of tumorbehandelingen, creëert deze constante beweging een moeilijk probleem. Zij vertrouwen op röntgenfluoroscopie, een techniek die een continu, real-time video van de binnenkant van het lichaam biedt, vergelijkbaar met een live uitzending. Deze video is echter tweedimensionaal, een platte schaduw die de ware driedimensionale diepte van de anatomie verbergt. Om de volledige vorm en locatie van structuren te zien, moeten artsen de procedure onderbreken om een driedimensionale scan te maken, zoals een cone-beam computertomografie, of CBCT. Maar deze scans zijn momentopnames; ze worden niet bijgewerkt terwijl de patiënt ademt, en de anatomie kan al verschoven zijn tegen de tijd dat de arts ernaar kijkt. Er is momenteel geen manier om een continu bijwerkend, driedimensionaal beeld van de borstkas te krijgen terwijl de arts werkt met standaard röntgenapparatuur.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld om deze kloof te overbruggen, waarbij kunstmatige intelligentie wordt gebruikt om een bewegend driedimensionaal volume te reconstrueren uit standaard tweedimensionale röntgenbeelden. Hun werk, getest op fysieke modellen van menselijke longen, laat zien dat het mogelijk is om een live, driedimensionaal kaart van de respiratoire anatomie te generamen zonder de procedure te onderbreken. Het systeem, genaamd VoxelMap, leert hoe de binnenkant van de borstkas vervormt bij elke ademhaling door de veranderende schaduwen in de röntgenvideo te analyseren. Indien succesvol, zou deze technologie artsen in staat stellen om instrumenten door de longen te navigeren met een constant bijwerkende driedimensionale gids, wat de precisie en veiligheid verbetert zonder de noodzaak van herhaalde, stralingszware scans.

De onderzoekers testten dit systeem met behulp van twee verschillende fysieke modellen, of fantoommodellen, die ontworpen zijn om de menselijke borstkas en de ademhalingsbeweging na te bootsen. Het eerste model, bekend als PixelPrint4D, was een enkelvoudig longfantoom gebouwd om een specifieke patiëntspecifieke long na te bootsen, compleet met gesimuleerde tumoren en bloedvaten. Het tweede, genaamd Casper, was een uitgebreider model van de gehele menselijke romp, inclusclusief ribben en een borstwand die realistisch bewoog. Beide modellen werden geplaatst in een klinische röntgenmachine, het type dat in operatiekamers van ziekenhuizen wordt gevonden, en geprogrammeerd om te ademen via een cyclus van tien verschillende fasen, van diepe inademing tot volledige uitademing. Het team gebruikte de machine om duizenden tweedimensionale röntgenbeelden vast te leggen terwijl de modellen bewogen. Ze gebruikten deze beelden vervolgens om een deep learning netwerk, een type kunstmatige intelligentie, te trainen om de relatie tussen de platte röntgenschaduwen en de onderliggende driedimensionale vorm van de longen te begrijpen.

Om te waarborgen dat het systeem de onvoorspelbare aard van de werkelijke ademhaling kan aan kunnen, trainden de onderzoekers de AI op de meeste ademhalingsfasen, maar lieten ze doelbewust één fase buiten de trainingsdata. Vervolgens vroegen ze het systeem om de driedimensionale vorm van de longen tijdens die ontbrekende fase te voorspellen, met behulp van alleen de tweedimensionale röntgenbeelden die op dat moment zijn genomen. Ze vergeleken de voorspelling van de AI met de werkelijke driedimensionale scan die op datzelfde moment van de fantoom was gemaakt om te zien hoe dicht de overeenkomst was. De resultaten toonden aan dat het systeem de driedimensionale anatomie nauwkeurig kon reconstrueren. In elke test kwamen de voorspelde beelden met een hoge mate van gelijkenis overeen met de echte scans, waarbij het systeem zelfs beter presteerde op het complexere torso-model dan op het enkelvoudige longmodel. De nauwkeurigheid was zo hoog dat de voorspelde beelden bijna niet te onderscheiden waren van de grondwaarheid (ground truth) wat betreft structurele details.

Snelheid was even kritiek als nauwkeurigheid voor de bruikbaarheid van deze technologie in een live medische setting. De onderzoekers maten hoe lang de computer nodig had om een enkel röntgenbeeld te verwerken en het bijbehorende driedimensionale volume te genereren. Het systeem voltooide deze taak in minder dan 15 milliseconden, een snelheid die snel genoeg is om de continue stroom van beelden in een real-time procedure bij te houden. Dit betekent dat het driedimensionale beeld in theorie net zo snel zou kunnen worden bijgewerkt als de röntgenmachine nieuwe frames vastlegt, wat een naadloze, live gids voor de arts biedt.

Naast het simpelweg genereren van het beeld, wilden de onderzoekers weten of het systeem de arts kon vertellen wanneer het mogelijk fout zat. In medische toepassingen is het van vitaal belang te weten wanneer een computervoorspelling betrouwbaar is. Om dit te testen, gebruikten ze een techniek genaamd een deep ensemble, waarbij vijf licht verschillende versies van het AI-model samenwerkten om een voorspelling te doen. Door te kijken naar de mate waarin deze vijf modellen van elkaar verschilden, kon het systeem een maatstaf voor onzekerheid berekenen. De studie vond een duidelijke link tussen deze onzekerheid en de werkelijke fout in de voorspelling: wanneer de modellen meer van elkaar verschilden, was de voorspelling minder accuraat. Dit suggereert dat het systeem een ingebouwd waarschuwingssignaal kan bieden, dat de arts waarschuwt om voorzichtiger te zijn wanneer de AI minder zeker is van haar reconstructie.

De studie bevestigt dat het mogelijk is om accurate, continu bijwerkende driedimensionale informatie af te leiden uit standaard tweedimensionale röntgenprojecties in een klinische setting. Het systeem werkte effectief over twee zeer verschillende fysieke modellen van de menselijke borstkas, waarbij een hoge nauwkeurigheid en snelheid werd behouden. Hoewel de studie werd uitgevoerd op fysieke modellen en niet op menselijke patiënten, vestigt het een cruciale proof of concept. De onderzoekers merkten op dat verdere arbeid nodig is om het systeem op echte patiëntgegevens te testen en om te garanderen dat het de volledige variabiliteit van de menselijke ademhaling en anatomie kan aan. De bevindingen demonstreren echter dat de technologie klaar is om de stap te maken van het laboratorium naar klinische proeven, wat een potentieel toekomstig scenario biedt waarin artsen het volledige, bewegende driedimensionale landschap van de borstkas kunnen zien zonder de procedure ooit te stoppen.