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

Imagine que você está tentando tirar uma fotografia perfeita de um tesouro secreto escondido dentro de uma caverna espessa e enevoada. No mundo do diagnóstico por imagem médica, esse "tesouro" é um sinal minúsculo de um traçador radioativo dentro do corpo de um paciente, e a "câmera" é uma máquina chamada SPECT (Tomografia Computadorizada por Emissão de Fóton Único). Normalmente, para obter uma imagem clara, os médicos usam um filtro especial chamado colimador, que atua como um conjunto de pequenos túneis, permitendo que apenas raios de luz (ou, neste caso, raios gama) passem em linha reta. Mas aqui está o problema: para conseguir uma imagem realmente nítida, você precisa de muitos desses túneis. Se você agrupar muitos túneis juntos, suas visões começam a se sobrepor, como olhar através de um caleidoscópio onde os padrões se misturam em uma confusão generalizada. Além disso, as paredes da caverna (o corpo do paciente) absorvem e fazem os raios ricochetearem, tornando a imagem borrada e tênue. Por décadas, corrigir essas confusões borradas e sobrepostas exigiu a realização de uma segunda e perigosa varredura de raio-X apenas para mapear as paredes da caverna, o que adicionava radiação extra e custos. Cientistas têm buscado uma maneira de desembaraçar a confusão e limpar a névoa sem esse raio-X extra, esperando tornar a câmera mais rápida, barata e segura para todos.

Este artigo apresenta um novo truque inteligente usando um tipo de inteligência artificial chamada Rede Neural Convolucional (CNN), que é como um detetive digital superinteligente treinado para resolver enigmas visuais. Os pesquisadores, trabalhando com um sistema SPECT estacionário equipado com um enorme arranjo de 44 pinholes (pequenos túneis), enfrentaram um problema duplo: as visões de todos os 44 furos estavam se sobrepondo como um novelo de lã emaranhado, e os raios estavam sendo distorcidos pelo corpo do paciente. Em vez de tentar desembaraçar a lã com matemática complexa que leva uma eternidade, eles ensinaram ao seu detetive de IA um novo jogo. Eles alimentaram a IA com uma entrada "bagunçada": os dados sobrepostos, borrados e ruidosos gerados pela simulação de como os raios gama ricocheteiam e são absorvidos dentro de um cérebro. Em seguida, mostraram à IA o alvo "perfeito": como a imagem deveria parecer se não houvesse sobreposições, nem desfoque, nem ruído. Ao praticar em milhares desses casos cerebrais simulados, a IA aprendeu a separar instantaneamente a lã emaranhada em fios individuais organizados e, simultaneamente, a remover a névoa e o ruído.

Os resultados desta simulação foram bastante promissores. Quando os pesquisadores testaram sua IA em imagens cerebrais, ela conseguiu desembaraçar com sucesso as projeções sobrepostas dos 44 pinholes e corrigir as distorções físicas sem a necessidade de mapas extras de raio-X. A IA produziu imagens significativamente mais claras e precisas do que as feitas por métodos mais antigos. Por exemplo, o novo método alcançou uma "Relação Sinal-Ruído de Pico" (uma medida de clareza de imagem) de 18,38 ± 0,79 dB, o que foi melhor do que os 15,54 ± 1,35 dB alcançados por um sistema que utiliza apenas 11 pinholes (onde não ocorre sobreposição) e os 15,93 ± 1,12 dB de uma câmera de feixe fan-beam padrão. O estudo também comparou seu método com uma técnica tradicional chamada método de correção de Moore; a abordagem da IA produziu imagens muito mais nítidas com menos erros, alcançando um Erro Quadrático Médio Normalizado (NMSE) de 0,1 de 0,18 ± 0,02 em comparação com 0,24 ± 0,06 da configuração de 11 pinholes.

No entanto, é importante lembrar que esses achados vêm de simulações computacionais, não de pacientes reais. Os pesquisadores simularam um cérebro com uma quantidade específica de traçador radioativo (370 MBq) e usaram uma câmera virtual com 44 pinholes. Eles descobriram que, embora a IA pudesse lidar com os dados "bagunçados" de todos os 44 pinholes, ela funcionava melhor quando a câmera se movia apenas um pouquinho (uma configuração "quasi-estacionária" onde os detectores rotacionavam 60 graus uma vez), o que ajudava a reduzir ainda mais os artefatos restantes. O artigo descarta explicitamente a ideia de que você precise de uma tomografia computadorizada (CT) separada para corrigir a imagem; a IA aprendeu a fazer a "correção de atenuação" (corrigir a névoa) por conta própria. Embora o método tenha mostrado grande potencial para a imagem cerebral, onde as "paredes da caverna" são relativamente uniformes, os autores observam que pode ser mais difícil aplicá-lo a outras partes do corpo, como o coração, onde a densidade varia drasticamente. Em última análise, este estudo sugere que uma IA inteligente poderia em breve permitir que médicos utilizem câmeras de múltiplos pinholes de alta sensibilidade para obter imagens cerebrais quantitativas de alta qualidade de forma mais rápida e sem a dose extra de radiação de um exame de CT, mas mais testes com dados humanos reais são necessários para confirmar se essa magia funciona no mundo real.