Short-TR Optimization on Post-Contrast Deep Learning Synthetic MRI (DL-MAGiC) for Improved Visualization of ACTH-Secreting Pituitary Microadenomas: A Technical Feasibility Study

In het complexe landschap van de menselijke gezondheid is de hypofyse een kleine maar vitale klier, die vaak de 'meesterklier' wordt genoemd omdat zij het hormonale orkest van het lichaam aanstuurt. Wanneer een microscopisch klein tumor groeit op deze klier en te veel van een hormoon genaamd ACTH uitscheidt, activeert dit een aandoening die bekend staat als ziekte van Cushing. Deze aandoening veroorzaakt ernstige fysieke veranderingen en gezondheidsrisico's, waardoor het voor artsen cruciaal is om de exacte locatie van de tumor te vinden vóór de operatie. Decennialang is magnetic resonance imaging, oftewel MRI, de gouden standaard geweest voor deze zoektocht. De taak is echter berucht moeilijk. De tumor is vaak kleiner dan een korrel rijst, en nadat een contrastvloeistof is geïnjecteerd om weefsels zichtbaar te maken, lichten de tumor en de gezonde klier vaak met een vergelijkbare helderheid op. Dit gebrek aan verschil zorgt ervoor dat de tumor wegvalt in de achtergrond, wat leidt tot gemiste diagnoses in een aanzienlijk aantal gevallen. Wanneer een chirurg de tumor niet kan vinden, kan de patiënt geconfronteerd worden met herhaalde scans, vertraagde behandeling of zelfs de onnodige verwijdering van beide bijnieren.

Onderzoekers weten al lang dat de instellingen die worden gebruikt om een MRI-foto te maken, kunnen beïnvloeden hoe weefsels verschijnen. Specifiek bepalen de tijd tussen radiopulsen, de zogenaamde herhalingstijd, en de tijd van de signaalopvang, de echo-tijd, het contrast tussen verschillende weefsels. In traditionele MRI zijn deze instellingen vastgelegd zodra de scan begint. Als de initiële instellingen de tumor niet duidelijk laten zien, moet de patiënt een nieuwe scan ondergaan met andere instellingen, wat meer tijd kost en de patiënt blootstelt aan meer straling of contrastvloeistof. Een nieuwere technologie genaamd synthetische MRI probeert dit op te lossen door in één enkele scan een enorme hoeveelheid ruwe gegevens vast te leggen. Vanuit deze gegevens kunnen computers afbeeldingen genereren met elke gewenste combinatie van tijdsinstellingen nadat de patiënt de machine heeft verlaten. Door deep learning toe te voegen, een vorm van kunstmatige intelligentie die ruis opschoont en details verscherpt, belooft deze technologie kwalitatief hoogwaardige beelden te creëren zonder dat er een nieuwe scan nodig is.

Een team van onderzoekers van het Traditional Chinese Medicine Hospital in Dianjiang en het Peking Union Medical College Hospital zette zich af om te testen of deze nieuwe aanpak eindelijk het probleem kon oplossen van het vinden van deze ongrijpbare tumoren. Zij richtten zich op een specifieke groep patiënten die al de diagnose ziekte van Cushing hadden gekregen en bij wie de tumoren chirurgisch waren verwijderd en pathologisch waren bevestigd. De studie omvatte vierentwintig patiënten die een gespecialiseerde MRI-scan ondergingen met de deep learning synthetische techniek. In plaats van alleen naar de beelden te kijken die de machine standaard produceert, gebruikten de onderzoekers de computer om zestien verschillende versies van de scan te synthetiseren, elk met een unieke combinatie van tijdsinstellingen. Vervolgens maten zij hoe duidelijk de tumor afstak tegen de gezonde klier in elke versie.

De resultaten onthulden een duidelijk en verrassend patroon. Voor de overgrote meerderheid van de patiënten, wier tumoren donkerder verschenen dan het omliggende gezonde weefsel na injectie van de contrastvloeistof, waren de beste beelden niet de beelden met de standaardinstellingen. In plaats daarvan werden de tumoren het meest zichtbaar wanneer de onderzoekers een zeer korte tijd tussen de pulsen gebruikten. In deze optimale beelden verbeterde het contrast tussen de tumor en de klier met bijna negentig procent vergeleken met de standaardinstellingen. De tumoren, die voorheen vaag en moeilijk te onderscheiden waren, werden scherp en duidelijk. De onderzoekers ontdekten dat deze verbetering het meest uitgesproken was wanneer de tijd tussen de pulsen werd ingesteld op 100 milliseconden en de signaalopvang tussen de 5 en 8 milliseconden lag. Hoewel de algehele helderheid van het beeld iets afnam met deze instellingen, nam het verschil in helderheid tussen de tumor en de klier zo sterk toe dat de tumor veel gemakkelijker te zien was.

De studie keek ook naar een kleinere groep van zeven patiënten wier tumoren helderder verschenen dan het omliggende weefsel. In deze gevallen maakte het veranderen van de tijdsinstellingen geen significant verschil in de zichtbaarheid. Dit onderscheid is belangrijk omdat het suggereert dat de nieuwe techniek specifiek krachtig is voor het meest voorkomende en moeilijkst te vinden type tumor. De onderzoekers lieten twee expert-radiologen de beelden beoordelen zonder dat zij wisten welke instellingen waren gebruikt. De artsen beoordeelden de beelden met de korte tijdsinstellingen consequent als uitstekend, waarbij zij opmerkten dat de grenzen van de tumoren scherp waren en de laesies gemakkelijk te spotten waren. In contrast hiermee werden de beelden met de standaard of langere tijdsinstellingen als redelijk of slecht beoordeeld, waarbij de tumoren vaak wazig of ononderscheidbaar van het gezonde weefsel leken.

Dit werk vertegenwoordigt een technische doorbraak in hoe MRI-beelden na de opname kunnen worden verwerkt. De onderzoekers hebben aangetoond dat het door middel van deep learning synthetische MRI mogelijk is om de perfecte instellingen te vinden om een verborgen tumor zichtbaar te maken zonder ooit de patiënt opnieuw te hoeven scannen. De studie bevestigt dat voor het meest voorkomende type ACTH-uitscheidende tumor, een zeer korte tijdsinstelling een veel duidelijker beeld creëert. De auteurs merken echter voorzichtig op dat dit een haalbaarheidsstudie is, wat betekent dat het bewijst dat de methode werkt in een gecontroleerde omgeving, maar nog niet bewijst dat het gebruik van deze instellingen in een echte klinische setting zal leiden tot betere chirurgische resultaten. De volgende stap, die de onderzoekers van plan zijn te ondernemen, is het testen van deze geoptimaliseerde instellingen direct op standaard MRI-machines om te zien of ze de diagnose in de echte wereld kunnen verbeteren. Tot die tijd biedt deze studie een vitale routekaart voor hoe men de machine kan afstemmen om het onzichtbare te zien, wat hoop biedt dat minder patiënten hoeven te wachten op een diagnose die net buiten hun bereik ligt.