Deep Learning-Based Simultaneous Separation of Overlapping Projection Data and Attenuation and Scatter Correction for Multi-Pinhole SPECT

Stel je voor dat je een perfecte foto probeert te maken van een verborgen schat in een mistige, dikwandige grot. In de wereld van medische beeldvorming is deze "schat" een minuscuul signaal van een radioactieve tracer in het lichaam van een patiënt, en de "camera" is een machine genaamd SPECT (Single-Photon Emission Computed Tomography). Normaal gesproken, om een helder beeld te krijgen, gebruiken artsen een speciale filter genaamd een collimator, die werkt als een reeks kleine tunnels die alleen lichtstralen (of in dit geval gammastralen) in rechte lijnen doorlaten. Maar hier komt de crux bij: om een echt scherp beeld te krijgen, heb je veel van deze tunnels nodig. Als je te veel tunnels te dicht op elkaar plaatst, beginnen hun gezichtsvelden te overlappen, zoals kijken door een caleidoscoop waar de patronen in elkaar overvloeien tot een verwarrende bende. Bovendien absorberen en weerkaatsen de wanden van de grot (het lichaam van de patiënt) de stralen, wat het beeld wazig en dof maakt. Decennialang vereiste het oplossen van deze wazige, overlappende bende een tweede, gevaarlijke röntgenopname, wat extra straling en kosten met zich meebracht. Wetenschappers zijn op zoek naar een manier om de bende te ontwarren en de mist te klaren zonder die extra röntgenfoto, in de hoop de camera sneller, goedkoper en veiliger te maken voor iedereen.

Dit artikel introduceert een slimme nieuwe truc met behulp van een type kunstmatige intelligentie genaamd een Convolutional Neural Network (CNN), wat een soort super slimme digitale detective is die getraind is om visuele puzzels op te lossen. De onderzoekers, die werkten met een stationair SPECT-systeem uitgerust met een enorme array van 44 pinholes (kleine gaatjes/tunnels), stonden voor een dubbel probleem: de beelden van deze 44 gaatjes overlapten als een verwarde bol wol, en de stralen werden vervormd door het lichaam van de patiënt. In plaats van te proberen de wol te ontwarren met complexe wiskunde die eeuwig duurt, leerden ze de AI-detective een nieuw spelletje. Ze voerden de AI een "rommelige" input: de overlappende, wazige, ruizige gegevens gegenereerd door te simuleren hoe gammastralen binnenin een brein weerkaatsen en worden geabsorbeerd. Vervolgens lieten ze de AI het "perfecte" doel zien: hoe het beeld eruit zou moeten zien als er geen overlappingen, geen wazigheid en geen ruis zou zijn. Door te oefenen op duizenden van deze gesimuleerde hersencasussen, leerde de AI om de verwarde wol direct te scheiden in nette, individuele draden en tegelijkertijd de mist en de ruis weg te vegen.

De resultaten van deze simulatie waren zeer veelbelovend. Wanneer de onderzoekers hun AI testten op hersenbeelden, slaagde de AI erin de overlappende projecties van de 44 pinholes te ontwarren en de fysieke vervormingen te corrigeren zonder dat daar een extra röntgenkaart voor nodig was. De AI produceerde beelden die aanzienlijk duidelijker en nauwkeuriger waren dan die van oudere methoden. Zo behaalde de nieuwe methode een "Peak Signal-to-Noise Ratio" (een maatstaf voor beeldhelderheid) van 18,38 ± 0,79 dB, wat beter was dan de 15,54 ± 1,35 dB van een systeem met slechts 11 pinholes (waar geen overlap optreedt) en de 15,93 ± 1,12 dB van een standaard fan-beam camera. De studie vergeleek hun methode ook met een traditionele techniek genaamd de Moore-correctiemethode; de AI-aanpak produceerde veel scherpere beelden met minder fouten, met een Normalized Mean Squared Error (NMSE) van 0,18 ± 0,02 vergeleken met 0,24 ± 0,06 voor de 11-pinhole opstelling.

Het is echter belangrijk om te onthouden dat deze bevindingen afkomstig zijn van computersimulaties, en nog niet van echte patiënten. De onderzoekers simuleerden een brein met een specifieke hoeveelheid radioactieve tracer (370 MBq) en gebruikten een virtuele camera met 44 pinholes. Ze ontdekten dat hoewel de AI de "rommelige" gegevens van alle 44 pinholes kon verwerken, het het beste werkte wanneer de camera een heel klein beetje bewoog (een "quasi-stationaire" opstelling waarbij de detectoren 60 graden roteerden), wat hielp om de resterende artefacten nog verder te verminderen. Het paper sluit expliciet de mogelijkheid uit dat er een aparte CT-scan nodig is om het beeld te corrigeren; de AI leerde om de "attenuatiecorrectie" (het corrigeren van de mist) zelfstandig uit te voeren. Hoewel de methode een groot potentieel liet zien voor hersenbeeldvorming, waarbij de "wand van de grot" vrij uniform is, merken de auteurs op dat het lastiger kan zijn om toe te passen op andere lichaamsdelen, zoals het hart, waar de dichtheid sterk varieert. Uiteindelijk suggereert deze studie dat een slimme AI binnenkort artsen in staat kan stellen om hooggevoelige, multi-pinhole camera's te gebruiken voor het verkrijgen van hoogwaardige, kwantitatieve hersenbeelden, sneller en zonder de extra stralingsdosis van een CT-scan, maar dat er meer testen met echte menselijke data nodig zijn om te bevestigen of deze magie ook in de echte wereld werkt.