CT-to-MRI Synthesis with Dual CycleGAN: Advancing Radiotherapy Planning in Brain Glioblastoma Multiform

Stel je voor dat je een detective bent die een mysterie probeert op te lossen binnenin een menselijk hoofd. Om dit te doen, heb je twee speciale zaklampen. De eerste, een CT-scan, is als een supersnelle, goedkope en gemakkelijk te vinden zaklamp die de harde botten van de schedel heel duidelijk laat zien. Het is echter een beetje wazig als het gaat om de zachte, veerkrachtige zaken daarin, zoals hersenweefsel of tumoren. De tweede zaklamp, een MRI, is als een high-definition slow-motion camera die elk minuscuul detail van het zachte weefsel kan zien, maar het is duur, duurt lang en sommige mensen kunnen het zelfs niet gebruiken vanwege metalen implantaten of angst voor kleine ruimtes.

Lama een tijdje moesten artsen kiezen tussen het snelle, wazige licht of het trage, gedetailleerde licht. Maar wat als je het snelle licht zou kunnen gebruiken om een beeld te creëren dat lijkt op het trage, gedetailleerde licht? Dat is de grote vraag die dit artikel onderzoekt. Het gebruikt een type kunstmatige intelligentie genaamd een "CycleGAN". Denk aan deze AI als een zeer getalenteerde kunstenaar die duizenden foto's van beide zaklampen heeft bestudeerd. De kunstenaar leert hoe hij een foto van de snelle zaklamp moet nemen en er overheen moet schilderen, door alle ontbrekende details van het zachte weefsel toe te voegen om er meer uit te laten zien als een hoogwaardige MRI, zonder dat hij de trage foto überhaupt nodig heeft. Dit is spannend omdat het artsen kan helpen bij het plannen van kankerbehandelingen voor patiënten die geen MRI kunnen krijgen, of in gebieden waar MRI-machines zeldzaam zijn.

De onderzoekers in dit artikel, onder leiding van Mohamed O. F. Elzoghby en zijn team, besloten dit idee te testen op patiënten met een zeer agressieve hersentumor genaamd Glioblastoma Multiforme (GBM). Ze wilden zien of hun AI-kunstenaar CT-scans kon veranderen in synthetische T1-gewogen MRI's die goed genoeg waren om radiotherapie te plannen. Ze verzamelden gegevens van 40 patiënten, met een mix van gepaarde scans (waarbij een patiënt zowel een CT als een MRI had) en ongepaarde scans (waarbij de scans niet perfect op hetzelfde moment waren gemaakt). Ze bouwden een "Dual CycleGAN"-systeem, wat een soort tweerichtingsverkeer is voor de AI. Eén deel van de AI probeert CT naar MRI te veranderen, en een ander deel probeert die nep-MRI weer terug te veranderen naar een CT. Door de AI te dwingen ervoor te zorgen dat ze heen en weer kan gaan zonder de vorm van de hersenen te verliezen, hoopten ze de anatomie accuraat te houden.

Toen ze hun creatie testten, waren de resultaten een mix van "niet slecht" en "moet nog werken". De AI slaagde erin om synthetische MRI's te maken die met het blote oog vrij realistisch leken. Het recreëerde succesvol belangrijke herkenningspunten zoals de ventrikels (vloeistofhoudende ruimtes in de hersenen) en de plooien van het hersenoppervlak. Sterker nog, de synthetische beelden vertoonden veel beter contrast in het zachte weefsel dan de oorspronkelijke CT-scannen, waardoor het makkelijker werd om het verschil tussen grijze en witte stof te zien. Het team mat dit met verschillende wiskundige instrumenten. Ze vonden een gemiddelde Mean Squared Error (MSE) van 0,133 ± 0,017, een Peak Signal-to-Noise Ratio (PSNR) van 15,3 ± 0,8 dB, en een Structural Similarity Index (SSIM) van 0,60 ± 0,03. Ze berekenden ook een Fréchet Inception Distance (FID) van 154,4 ± 6,2, wat meet hoe verschillend de nepbeelden zijn van de echte beelden, en een binaire nauwkeurigheid van 92,4 ± 0,6%.

Het artikel is echter zeer voorzichtig om dit geen perfecte oplossing te noemen. Hoewel de AI het grote plaatje goed kreeg, had het moeite met de minuscule details. De auteurs merkten op dat de randen van de tumoren minder precies waren en dat fijne structurele details minder scherp waren vergeleken met een echte MRI. Ze verklaren expliciet dat dit model nog geen echte klinische MRI vervangt. Het kan nog niet op zichzelf worden gebruikt om definitieve behandelbeslissingen te nemen, omdat het de precieze grenzen kan missen die nodig zijn voor bestraling. Het artikel spreekt zich uit tegen het idee dat de huidige AI het probleem van ontbrekende MRI's volledig kan oplossen; in plaats daarvan suggereren ze dat dit een "proof-of-concept"-instrument is. Het laat zien dat het mogelijk is om deze beelden te genereren, wat een potentieel back-upplan biedt voor omgevingen met beperkte middelen, maar het vereist veel meer verfijning voordat het in een ziekenhuis vertrouwd kan worden.

Uiteindelijk concludeert het team dat hun Dual CycleGAN-framework een veelbelovende stap voorwaarts is. Het demonstreert dat we de gemakkelijk verkrijgbare CT-scans kunnen gebruiken om beelden te generen die op MRI's lijken, wat de zichtbaarheid van zachte weefsels verbetert. Maar, zoals de auteurs zeggen, is dit slechts het fundament. Om een echt hulpmiddel te maken voor het redden van levens, moeten ze het op meer patiënten testen, betere 3D-modellen gebruiken en bewijzen dat het artsen daadwerkelijk helpt om stralingsdosissen nauwkeuriger te plannen. Voor nu is het een fascinerend vooruitzicht op een toekomst waarin AI de kloof kan overbruggen tussen wat we gemakkelijk kunnen zien en wat we wanhopig moeten weten.