Deep Learning Reconstruction for Low-Dose Dual-Energy CT Pulmonary Angiography: Optimization of Energy Levels and Assessment of Subsegmental Arteries

Longembolie, een blokkade in de bloedvaten van de longen, is een medisch noodgeval dat een snelle en nauwkeurige diagnose vereist. De huidige gouden standaard voor het opsporen van deze blokkades is een gespecialiseerd type röntgenopname genaamd een CT-pulmonaire angiografie. Deze procedure houdt in dat er een vloeibare kleurstof, bekend als contrastmiddel, in een ader wordt geïnjecteerd zodat de bloedvaten helder oplichten op de scanner, waardoor artsen kunnen zien of er een stolsel aanwezig is. Deze levensreddende tool brengt echter een prijs met zich mee. De straling die nodig is om de beelden te maken, kan zich gedurende het leven van een patiënt ophopen, en de grote hoeveelheid contrastmiddel die nodig is, kan de nieren belasten, vooral bij ouderen of mensen met bestaande gezondheidsproblemen. Jarenlang hebben artsen gezocht naar een manier om dezelfde heldere beelden te krijgen met minder straling en minder contrastmiddel, een doel dat vaak een "double-low" benadering wordt genoemd.

De uitdaging ligt in de fysica van de scan. Om de contrastvloeistof duidelijker tegen de achtergrondweefsels te laten afsteken, kunnen wetenschappers de scanner afstemmen op lagere energieniveaus. Denk aan het omlaag draaien van de helderheid van een zaklamp om een specifieke kleur te laten opvallen; in dit geval zorgt lagere energie ervoor dat de jodiumhoudende kleurstof veel helderder verschijnt. Maar er is een addertje onder het gras: het verlagen van de energie maakt het beeld ook korreliger en ruisiger, zoals statische ruis op een oude televisie, wat de zeer door artsen te zoeken stelsels kan verbergen. Traditionele methoden om deze korreligheid te verminderen, maken de fijne details vaak wazig, waardoor kleine bloedvaten er onscherp uitzien. Recentelijk is er een nieuw type computerverwerking, deep learning, opgekomen. In tegen tegenstelling tot oudere methoden die simpelweg het beeld gladstrijken, leert deze technologie van enorme hoeveelheden hoogwaardige data om de ruis te verwijderen terwijl de scherpe randen van de anatomie intact blijven.

Een team van onderzoekers van het Affiliated Hospital of Xuzhou Medical University zette zich af om te testen of het combineren van deze lage energieniveaus met deze nieuwe deep learning-technologie het probleem kon oplossen. Ze wilden zien of ze een scan konden creëren die aanzienlijk minder straling en minder contrastmiddel gebruikte, maar toch een kristalhelder zicht bood op de kleinste bloedvaten in de longen, waar stolsels het gevaarlijkst en het moeilijkst te zien zijn. Ze richtten hun studie op patiënten waarbij een longembolie werd vermoed, waarbij ze een dual-energy CT-machine gebruikten die tegelijkertijd gegevens op verschillende energieniveaus kan vastleggen.

De onderzoekers scanten 39 patiënten met een protocol dat ontworpen is om zacht voor het lichaam te zijn, waarbij ze een veel kleinere hoeveelheid contrastmiddel injecteerden dan gebruikelijk — gemiddeld ongeveer 26 milliliter — en de stralingsdosis laag hielden. Vervolgens reconstrueerden ze de beelden met verschillende computerinstellingen. Ze testten verschillende energieniveaus, variërend van zeer laag tot standaard, en pasten twee verschillende soorten beeldreiniging toe: een traditionele statistische methode en de nieuwe deep learning-methode, die ze op medium en hoge sterkte testten. Het doel was om de perfecte combinatie te vinden die de ruis van de lage-energiescan zou elimineren zonder de delicate details van de perifere longslagaders te vervagen.

De resultaten wezen op een duidelijke winnaar. De beste beelden kwamen voort uit het gebruik van de laagste beschikbare energie-instelling, 40 kiloelektronenvolt, gecombineerd met de deep learning-reconstructie met hoge sterkte. Deze specifieke combinatie produceerde beelden waarbij de bloedvaten ongelooflijk helder en duidelijk waren, terwijl de achtergrondruis bijna volledig verdwenen was. Wanneer de onderzoekers de helderheid van de beelden maten, presteerde deze methode beter dan de standaardmethode die vandaag de dag in ziekenhuizen wordt gebruikt. De standaardmethode, die een hoger energieniveau en traditionele reiniging gebruikt, had moeite om de kleinste vaten met dezelfde scherpte weer te geven. In contrast hiermee maakte de nieuwe lage-energie, deep-learning methode de minuscule subsegmentale slagaders net zo duidelijk als de standaardmethode, maar met een veel hoger contrast tussen het bloed en het omliggende weefsel.

Twee ervaren radiologen beoordeelden de beelden zonder te weten welke methode gebruikt was om ze te maken. Ze beoordeelden de kwaliteit van de nieuwe methode als uitstekend en gaven het de hoogst mogelijke score. Ze vonden dat de beelden scherp genoeg waren om met vertrouwen stolsels te identificeren, zelfs in de meest verre vertakkingen van de bloedvoorziening van de longen. Cruciaal was dat zij geen verschil in diagnostische kwaliteit vonden tussen de nieuwe, lage-dosismethode en de traditionele, hogere-dosismethode. Dit betekent dat artsen potentieel kunnen overstappen op dit nieuwe protocol en nog steeds nauwkeurige diagnoses kunnen stellen, maar met een aanzienlijke vermindering van de belasting voor de patiënt.

De studie benadrukte ook wat minder goed werkte. Toen de onderzoekers de lage-energie-instelling combineerden met de traditionele reinigingsmethode, waren de beelden te ruisig om bruikbaar te zijn, wat bevestigde dat de oude technologie de extreme helderheid van de lage-energiescan niet kon verwerken. Evenzo was het gebruik van de deep learning-methode op een medium sterkte niet zo effectief als de versie met hoge sterkte. Het onderzoek suggereert dat het deep learning-algoritme met hoge sterkte essentieel is om de voordelen van lage-energiescan te ontsluiten.

Dit werk demonstreert dat het mogelijk is om de hoeveelheid straling en contrastmiddel die een patiënt ontvangt drastisch te verminderen zonder het vermogen te verliezen om kleine, gevaarlijke stolsels in de longen te zien. Door de juiste balans te vinden tussen energieniveaus en geavanceerde computerverwerking, hebben de onderzoekers aangetoond dat er een pad bestaat naar veiligere, comfortabelere scans voor patiënten. Hoewel de studie werd uitgevoerd in één centrum en met een specifiek type scanner, bieden de bevindingen een veelbelovend blauwdruk voor hoe ziekenhuizen de zorg in de toekomst kunnen verbeteren, waarbij ervoor wordt gezorgd dat de instrumenten die levens redden, niet onbedoeld schade veroorzaken door overmatige blootstelling.