Deep Learning Image Reconstruction Combined with SnapShot Freeze 2 Improves CCTA Image Quality in Patients with Atrial Fibrillation: A Retrospective Study

O coração humano é uma bomba implacável, batendo aproximadamente uma vez a cada segundo para manter o sangue fluindo através de uma vasta rede de artérias. Para os médicos, ver o interior desses vasos com clareza é vital para diagnosticar bloqueios que poderiam levar a um ataque cardíaco. Uma das ferramentas mais poderosas para isso é um tipo especializado de tomografia computadorizada (TC), que utiliza raios X para criar imagens tridimensionais detalhadas das artérias coronárias. No entanto, obter uma imagem clara é difícil quando o coração está se movendo. Se o coração bater muito rápido ou de forma irregular, a imagem resultante pode parecer borrada, como uma fotografia tirada de uma criança correndo sem uma velocidade de obturador suficientemente rápida. Esse problema torna-se especialmente grave em pacientes com fibrilação atrial, uma condição comum onde as câmaras superiores do coração tremem em vez de bater em um ritmo constante. O ritmo irregular torna o movimento do coração imprevisível, muitas vezes transformando um exame de diagnóstico em uma confusão borrada que não pode ser usada para tomar decisões médicas.

Durante anos, cientistas tentaram resolver isso desenvolvendo softwares que podem "congelar" o movimento do coração após a realização do exame. Esses programas analisam múltiplos momentos do batimento cardíaco e os costuram para criar uma imagem mais nítida. Mais recentemente, um novo tipo de tecnologia de computador chamado aprendizado profundo (deep learning) foi introduzido para ajudar a limpar o ruído granulado que frequentemente assombra essas imagens. Embora estudos anteriores tenham analisado essas ferramentas separadamente, um novo estudo de pesquisadores em Hainan, China, propôs-se a ver o que acontece quando são utilizadas em conjunto. Eles queriam saber se a combinação de uma ferramenta de congelamento de movimento de segunda geração com um poderoso limpador de aprendizado profundo poderia produzir imagens claras e utilizáveis para pacientes com fibrilação atrial, mesmo quando suas frequências cardíacas eram altas e irregulares.

Os pesquisadores focaram em trinta pacientes que haviam sido diagnosticados com fibrilação atrial e submetidos a uma angiotomografia coronária. Para garantir um teste justo, eles não administraram medicamentos aos pacientes para diminuir seus corações, permitindo que os exames refletissem o desafio do mundo real de um batimento cardíaco irregular. As frequências cardíacas durante os exames variaram de 60 a 160 batimentos por minuto, com uma média de 107 batimentos por minuto, e o tempo entre os batimentos variou significamente de pessoa para pessoa. Após a conclusão dos exames, a equipe pegou os dados brutos de cada paciente e reconstruiu as imagens usando três métodos diferentes. O primeiro método utilizou uma técnica padrão de redução de ruído combinada com a correção de movimento de primeira geração, mais antiga. O segundo método utilizou a mesma redução de ruído, mas combinada com uma correção de movimento de segunda geração mais recente, que leva em conta o movimento de todo o coração, não apenas das artérias. O terceiro método combinou essa nova correção de movimento com a tecnologia avançada de aprendizado profundo projetada para remover o ruído enquanto mantém os detalhes finos nítidos.

A equipe então comparou os resultados dessas três abordagens, observando tanto os momentos de quietude do batimento cardíaco (diástole) quanto os momentos de contração ativa (sístole). Eles mediram a clareza das imagens verificando quanto "estática" ou grão estava presente e o quão bem o contraste entre os vasos sanguíneos e o tecido circundante se destacava. Eles também utilizaram dois radiologistas experientes, que não sabiam qual método criou cada imagem, para avaliar a qualidade geral dos exames em uma escala de um a cinco. Os resultados foram impressionantes. As imagens criadas com a tecnologia de aprendizado profundo e a correção de movimento de segunda geração mostraram consistentemente o menor nível de grão e os limites vasculares mais claros. Na fase de quietude do batimento cardíaco, o nível de ruído no melhor grupo foi significamente menor do que nos outros grupos, caindo de uma média de cerca de 25 unidades no grupo padrão para pouco mais de 11 unidades no grupo de aprendizado profundo. Essa redução de ruído traduziu-se diretamente em uma imagem muito mais clara, com a relação sinal-ruído dobrando em algumas áreas em comparação com os métodos mais antigos.

A melhoria não foi apenas uma questão de números; os observadores humanos também notaram. Os radiologistas deram as pontuações mais altas para as imagens reconstruídas com o aprendizado profundo e a correção de movimento de segunda geração, particularmente durante a fase ativa do batimento cardíaco, quando os artefatos de movimento costumam ser piores. Na fase sistólica, a mediana da pontuação para este grupo principal foi um quatro perfeito, enquanto os outros métodos pairavam em torno de três. A concordância entre os dois médicos também foi mais forte para essas imagens, sugerindo que a melhoria era real e consistente, não apenas uma questão de opinião de um único médico. O estudo descobriu que, embora a correção de movimento mais antiga fosse melhor do que não fazer nada, ela não conseguia igualar a clareza alcançada quando pareada com a ferramenta de aprendizado profundo. A abordagem de aprendizado profundo não apenas suavizou a imagem; ela preservou as bordas nítidas das artérias, tornando-as mais fáceis de rastrear e medir.

Esta pesquisa sugere que, para pacientes com batimentos cardíacos irregulares, a combinação de correção de movimento avançada e reconstrução de imagem por aprendizado profundo oferece uma vantagem significativa sobre as práticas padrão atuais. O estudo indica que esta abordagem pode reduzir a granulosidade da imagem e mitigar o borrão causado pelo movimento errático do coração, potencialmente transformando exames que seriam ilegíveis em imagens de qualidade diagnóstica. Embora o estudo tenha sido limitado a um pequeno grupo de trinta pacientes e tenha sido conduzido em um único centro médico, os resultados apontam para um caminho promissor. Ao utilizar essas tecnologias combinadas, os médicos poderão depender menos de drogas para diminuir o coração antes de um exame e mais de softwares sofisticados para limpar a imagem depois, proporcionando uma visão mais clara da saúde do coração para uma população de difícil diagnóstico por imagem.