Deep Learning Image Reconstruction Combined with SnapShot Freeze 2 Improves CCTA Image Quality in Patients with Atrial Fibrillation: A Retrospective Study

Het menselijk hart is een onvermoeibare pomp die ongeveer één keer per seconde slaat om bloed door een uitgestrekt netwerk van slagaders te laten stromen. Voor artsen is het essentieel om de binnenkant van deze vaten duidelijk te kunnen zien voor het diagnosticeren van blokkades die tot een hartaanval kunnen leiden. Een van de krachtigste hulpmiddelen hiervoor is een gespecialiseerd type CT-scan, die röntgenstraling gebruikt om gedetailleerde, driedimensionale beelden van de kransslagaders te maken. Het verkrijgen van een helder beeld is echter moeilijk wanneer het hart beweegt. Als het hart te snel of onregelmatig slaat, kan het resulterende beeld er wazig uitzien, zoals een foto van een rennend kind zonder een voldoende snelle sluitertijd. Dit probleem wordt vooral ernstig bij patiënten met atriumfibrillatie, een veelvoorkomende aandoening waarbij de bovenste kamers van het hart trillen in plaats van een gestaag ritme aan te houden. Het onregelmatige ritme maakt de beweging van het hart onvoorspelbaar, wat een diagnostische scan vaak verandert in een wazige bende die niet gebruikt kan worden om medische beslissingen te nemen.

Jarenlang hebben wetenschappers geprobeerd dit op te lossen door software te ontwikkelen die de beweging van het hart kan "bevriezen" nadat de scan is gemaakt. Deze programma's bekijken meerdere momenten van de hartslag en voegen deze aan elkaar om een scherper beeld te creëren. Recentelijk is een nieuw type computercapaciteit genaamd deep learning geïntroduceerd om te helpen de korrelige ruis op te schonen die deze beelden vaak teistert. Terwijl eerdere studies naar deze instrumenten afzonderlijk hebben gekeken, heeft een nieuwe studie van onderzoekers in Hainan, China, onderzocht wat er gebeurt als ze samen worden gebruikt. Ze wilden weten of het combineren van een tweede generatie bewegingsvrije tool met een krachtige deep-learning reiniger heldere, bruikbare beelden kon producerend voor patiënten met atriumfibrillatie, zelfs wanneer hun hartslag hoog en onregelmatig was.

De onderzoekers richtten zich op dertig patiënten die waren gediagnosticeerd met atriumfibrillatie en een coronaire CT-angiografie scan hadden ondergaan. Om een eerlijke test te garanderen, gaven de patiënten geen medicatie om hun hart te vertragen, waardoor de scans de werkelijke uitdaging van een onregelmatige hartslag weerspiegelden. De hartslagen tijdens de scans varieerden van 60 tot 160 slagen per minuut, met een gemiddelde van 107 slagen per minuut, en de tijd tussen de hartslagen varieerde aanzienlijk van persoon tot persoon. Nadat de scans waren voltooid, nam het team de ruwe gegevens van elke patiënt en reconstrueerde de beelden met drie verschillende methoden. De eerste methode gebruikte een standaard ruisonderdrukkingstechniek gecombineerd met de oudere, eerste generatie bewegingscorrectie. De tweede methode gebrude dezelfde ruisonderdrukking maar combineerde deze met een nieuwere, tweede generatie bewegingscorrectie die rekening houdt met de beweging van het hele hart, niet alleen de slagaders. De derde methode combineerde deze nieuwere bewegingscorrectie met de geavanceerde deep-learning technologie die ontworpen is om ruis te verwijderen terwijl fijne details scherp blijven.

Het team vergeleken vervolgens de resultaten van deze drie benaderingen, waarbij ze keken naar zowel de rustige momenten van de hartslag (diastole) als de actieve knijpmomenten (systole). Ze maten de helderheid van de beelden door te controleren hoeveel "statische elektriciteit" of korrel aanwezig was en hoe goed het contrast tussen de bloedvaten en het omliggende weefsel naar voren kwam. Ze lieten ook twee ervaren radiologen, die niet wisten welke methode welk beeld had gegenereerd, de algehele kwaliteit van de scans beoordelen op een schaal van één tot vijf. De resultaten waren opmerkelijk. De beelden die met de deep-learning technologie en de nieuwere bewegingscorrectie werden gemaakt, vertoonden consequent de minste korrel en de duidelijkste grenzen van de vaten. In de rustfase van de hartslag was het ruisniveau in de beste groep aanzienlijk lager dan in de andere groepen, waarbij het daalde van een gemiddelde van ongeveer 25 eenheden in de standaardgroep naar net boven de 11 eenheden in de deep-learning groep. Deze reductie in ruis vertaalde zich direct in een veel duidelijker beeld, waarbij de signaal-ruisverhouding in sommige gebieden meer dan verdubbelde vergeleken met de oudere methoden.

De verbetering was niet alleen een kwestie van cijfers; de menselijke waarnemers merkten het ook op. De radiologen gaven de hoogste scores aan de beelden die werden gereconstrueerd met de deep-learning en de tweede generatie bewegingscorrectie, met name tijdens de actieve fase van de hartslag wanneer bewegingsartefacten meestal het ergst zijn. In de systolische fase lag de mediaan van de score voor deze topgroep op een perfecte vier, terwijl de andere methoden rond een drie schommelden. De overeenstemming tussen de twee artsen was ook het sterkst voor deze beelden, wat suggereert dat de verbetering echt en consistent was, en niet slechts een kwestie van de mening van één arts. De studie vond dat hoewel de oudere bewegingscorrectie beter was dan niets doen, het niet kon tippen aan de helderheid die werd bereikt wanneer het werd gekoppeld aan de deep-learning tool. De deep-learning benadering maakte het beeld niet alleen gladder; het behield de scherpe randen van de slagaders, waardoor ze gemakkelijker te volgen en te meten waren.

Dit onderzoek suggereert dat voor patiënten met onregelmatige hartslagen de combinatie van geavanceerde bewegingscorrectie en deep-learning beeldreconstructie een aanzienlijk voordeel biedt ten opzichte van de huidige standaardpraktijken. De studie geeft aan dat deze benadering de korreligheid van het beeld kan verminderen en de vervaging veroorzaakt door de grillige beweging van het hart kan verzachten, wat potentieel scans die onleesbaar zouden zijn, kan veranderen in beelden van diagnostische kwaliteit. Hoewel de studie beperkt was tot een kleine groep van dertig patiënten en werd uitgevoerd bij één enkel medisch centrum, wijzen de resultaten op een veelbelovend pad voorwaarts. Door deze gecombineerde technologieën te gebruiken, kunnen artsen mogelijk minder vertrouwen op medicijnen om het hart te vertragen vóór een scan en meer op geavanceerde software om het beeld op te schonen, wat een helderder zicht biedt op de gezondheid van het hart voor een populatie die moeilijk te scannen is.