Deep Learning Reconstruction Combined with Ultra-Low Pitch Scanning: A Synergistic Strategy for Helical Artifact Suppression in Low-Dose Abdominal CT

Medische beeldvorming kampt al lang met een lastige balansact. Om de binnenkant van het menselijk lichaam duidelijk te kunnen zien, vertrouwen artsen op röntgenopnames die door weefsel heen gaan om een beeld te creëren. Hoe duidelijker het beeld, hoe gemakkelijker het is om problemen zoals tumoren of ontstekingen op te sporen. Echter, het verkrijgen van een scherp beeld vereist vaak een hogere dosis straling, wat eigen risico's met zich meebrengt, vooral voor patiënten die frequente controles nodig hebben. Omgekeerd resulteert het verlagen van de stralingsdosis om patiënten veilig te houden vaak in korrelige, ruisachtige beelden waarbij fijne details in elkaar overvloeien. In de buik wordt dit probleem verergerd door de manier waarop de scanner beweegt. Terwijl de machine rond de patiënt roteert, beweegt deze in een spiraalvorm naar voren om het hele lichaam vast te leggen. Als deze spiraal te breed of te snel is, ontstaan er gaten in de gegevens, wat zorgt voor strepen en vervormingen die bekend staan als helicale artefacten. Deze strepen kunnen de delicate wanden van de darmen verbergen, waardoor het moeilijk is om aandoeningen zoals de ziekte van Crohn of darmobstructies te diagnosticeren. Decennialang hebben radiologen moeten kiezen tussen een snelle scan met een lage dosis en een slechte beeldkwaliteit, of een langzame scan van hoge kwaliteit die de patiënt blootstelt aan meer straling.

Een team van onderzoekers van het Guiqian International General Hospital in China zette zich in om deze afweging te doorbreken. Ze testten een nieuwe aanpak die twee specifieke technologieën combineert om te zien of ze samen het probleem konden oplossen. Het eerste deel van hun strategie houdt in dat ze de spiraalbeweging van de scanner vertragen tot een "ultra-lage" snelheid. Door de scanner langzamer te bewegen, legt het systeem een veel dichtere hoeveelheid gegevens vast, waardoor de gaten worden opgevuld die normaal gesproken voor die afleidende strepen zorgen. Het tweede deel van de strategie maakt gebruik van een modern computerprogramma gebaseerd op deep learning. In tegen tegenstelling tot oudere computerprogramma's die simpelweg korrelige beelden gladstrijken, is dit nieuwe programma getraind op duizenden echte medische beelden. Het leert het verschil te herkennen tussen willekeurige ruis, ongewenste artefacten en de werkelijke anatomie van het lichaam. De onderzoekers wilden weten of het gebruik van deze trage scansnelheid samen met het slimme computerprogramma een helder, laag-stralingsbeeld van de buik kon produceren dat beter is dan wat momenteel mogelijk is.

Om het antwoord te vinden, namen de onderzoekers 90 patiënten die om medische redenen een CT-scan van de buik nodig hadden deelname. Ze verdeelden deze patiënten in drie groepen om verschillende scanningsmethoden te vergelijken. Eén groep kreeg een standaardscan met een conventionele snelheid en een traditionele beeldverwerkingsmethode. Een tweede groep kreeg een iets tragere scan, eveneens met de traditionele methode. De derde groep kreeg de ultra-langzame scan, maar deze groep werd in tweeën gesplitst: de helft werd verwerkt met de traditionele methode, en de andere helft met het nieuwe deep-learning computerprogramma. De onderzoekers maten vervolgens alles, van de hoeveelheid straling die elke patiënt ontving tot de helderheid van de uiteindelijke beelden. Ze keken naar de hoeveelheid ruis in de beelden, hoe goed de beelden het contrast tussen verschillende weefsels lieten zien, en hoe vaak de afleidende strepen voorkwamen. Twee ervaren radiologen, die niet wisten bij welke groep elke patiënt hoorde, beoordeelden de beelden ook op een schaal van één tot vijf op basis van de leesbaarheid en de helderheid van de details.

De resultaten toonden aan dat de combinatie van de ultra-langzame scan en het deep-learningprogramma de duidelijke winnaar was. Deze specifieke groep ontving de laagste hoeveelheid straling van alle groepen, met een gemiddelde dosis van 9,88 eenheden, vergeleken met hogere doses in de andere groepen. Belangrijker nog, de beelden die zij produceerden waren aanzienlijk helderder. Het deep-learningprogramma slaagde erin de korrelige ruis die meestal bij scans met een lage dosis voorkomt, te verwijderen, waardoor de beelden veel scherper werden. De onderzoekers ontdekten dat de ruis in deze beelden met meer dan de helft was verminderd in vergelaging met de standaardscans. De strepen en vervormingen die normaal gesproken de darmwanden vertroebelen, werden ook drastisch onderdrukt. In de groepen die de standaard- of iets tragere snelheden gebruikten, kwamen deze artefacten in de meerderheid van de scans voor, wat delen van het beeld vaak moeilijk interpreteerbaar maakte. In contrast hiermee vertoonde de groep met de ultra-langzame scan en het deep-learningprogramma deze artefacten slechts in een klein deel van de gevallen. De radiologen beoordeelden deze beelden als uitstekend en merkten op dat de darmwanden en omliggende structuren met uitzonderlijke helderheid zichtbaar waren.

De studie suggereert dat deze dubbele aanpak werkt door het probleem van twee kanten aan te pakken. Ten eerste voorkomt de trage scansnelheid dat de artefacten überhaupt ontstaan door ervoor te zorgen dat de machine voldoende gegevens vastlegt. Ten tweede ruimt het deep-learningprogramma de resterende imperfecties op door onderscheid te maken tussen echte lichaamsstructuren en digitale ruis. Dit stelde het team in staat om de stralingsdosis aanzienlijk te verlagen zonder in te boeten op beeldkwaliteit. De onderzoekers merkten op dat deze methode bijzonder nuttig is voor patiënten die herhaalde scans nodig hebben over een langere periode, zoals mensen die chronische darmziekten monitoren, omdat het de totale straling die zij gedurende hun leven ontvangen minimaliseert. Ze wezen echter ook op een praktische beperking: omdat de scanner zo langzaam beweegt, duurt de scan langer om te voltooien. De gemiddelde tijd voor deze ultra-langzame scan was bijna negen seconden, wat meer dan het dubbele is van een standaardscan. Dit vereist dat patiënten een langere periode hun adem inhouden, wat moeilijk kan zijn voor mensen die erg ziek zijn, pijn hebben of niet in staat zijn om ademinstructies op te volgen.

Ondanks de langere scantijd bieden de bevindingen een veelbelovend pad voorwaarts voor abdominale beeldvorming. De onderzoekers concludeerden dat deze strategie effectief de strepen onderdrukt die meestal beelden met een lage dosis verpesten, terwijl de stralingsblootstelling laag blijft. Het biedt een manier om de intieme details van het spijsverteringskanaal te zien zonder de gebruikelijke compromis tussen veiligheid en helderheid. Hoewel de studie in één enkel ziekenhuis werd uitgevoerd en specifiek gericht was op de holle organen van de buik, wijzen de resultaten erop dat deze methode een standaardmanier kan worden om deze scans uit te voeren. Door een eenvoudige aanpassing aan de snelheid van de scanner te combineren met geavanceerde computerverwerking, kunnen artsen binnenkort mogelijk veiligere, duidelijkere diagnoses stellen voor de patiënten die daar het meest behoefte aan hebben.