Migliorare la qualità delle immagini CT dai dati MRI

La Tomografia Computerizzata (TC) e la Risonanza Magnetica (RM) sono strumenti importanti per pianificare la terapia con radiazioni per i pazienti. Le TC aiutano a creare mappe precise della densità dei tessuti, che sono essenziali per calcolare quanta radiazione somministrare. D'altra parte, la RM offre immagini migliori dei tessuti molli, rendendo più facile capire dove focalizzare il trattamento. Per questo motivo, è importante allineare correttamente le immagini di RM e TC. Tuttavia, possono verificarsi errori durante questo allineamento, il che può influenzare il successo del trattamento. Per evitare questi problemi, gli scienziati stanno trovando modi per creare immagini TC dai dati RM, offrendo un modo più sicuro e spesso meno costoso per ottenere le informazioni necessarie.

#Importanza della Conversione da RM a TC

Generare TC sintetica (sCT) dalle immagini RM ha diversi vantaggi. Innanzitutto, può ridurre l'esposizione alla radiazione che ricevono i pazienti. Invece di avere bisogno di ulteriori TC, i clinici possono utilizzare la sCT creata dai dati RM. Questo non solo riduce il rischio, ma può anche abbattere i costi del trattamento. Con i progressi nel deep learning e nell'intelligenza artificiale, sono stati sviluppati vari metodi per convertire i dati RM in immagini TC.

#Deep Learning e Sintesi TC

Molti di questi metodi utilizzano algoritmi di deep learning, che sono sistemi informatici che apprendono a migliorare le loro prestazioni mentre elaborano più dati. Un algoritmo ben noto per questo scopo è il U-Net, progettato in un modo che gli permette di combinare diverse caratteristiche delle immagini per creare una TC di alta qualità. Altri approcci utilizzano le Reti Neurali Avversarie Generative (GAN), che funzionano facendo competere due reti l'una contro l'altra per produrre risultati migliori. I Vision Transformers (ViT) sono anche utilizzati in questo campo, sfruttando meccanismi di attenzione per offrire risultati impressionanti.

#Problemi con i Metodi Esistenti

Nonostante i progressi, molti studi esistenti si concentrano spesso sul migliorare la struttura delle reti stesse senza prestare sufficiente attenzione a cosa succede dopo che le immagini sono create. È qui che il nostro lavoro fa la differenza. Introdurremo una nuova strategia per unire sezioni più piccole delle immagini durante il processo di sintesi, puntando a migliorare la qualità finale delle immagini TC generate.

#Metodi e Materiali

#Struttura della Rete

Nel nostro studio, utilizziamo una rete all'avanguardia chiamata SwinUNETR per creare immagini TC dai dati RM. Questa rete combina diverse tecniche per elaborare le immagini in modo efficace. Funziona prendendo piccole sezioni dei dati RM, chiamate subvolumi, e scomponendole in parti più piccole, o patch. La rete elabora queste patch attraverso diverse fasi, ricostruendole gradualmente in un'immagine intera.

#Migliorare la Qualità dell’Immagine con la Fusione dei Subvolumi

Per rendere le immagini finali più fluide e ridurre eventuali errori visibili, utilizziamo una tecnica chiamata fusione dei subvolumi. Questo significa che invece di mettere solo insieme le piccole sezioni, fondiamo i loro bordi. Regolando quanto ogni sezione si sovrappone durante questo processo, possiamo migliorare la qualità complessiva dell'immagine.

#Preparazione dei Dati

Per la nostra ricerca, abbiamo utilizzato 180 immagini RM e TC abbinate dei cervelli dei pazienti, provenienti da tre ospedali diversi. Abbiamo separato queste immagini in tre gruppi: uno per addestrare il modello, un altro per convalidare i risultati, e un ultimo gruppo per testare il modello. Ciascuna di queste immagini è stata uniformata in dimensione e intensità per garantire equità nei test.

#Valutazione dei Risultati

Per misurare quanto bene funziona il nostro metodo, guardiamo a due metriche principali: l'Errore Assoluto Medio (MAE) e il Rapporto di Picco Segnale/Rumore (PSNR). Un MAE più basso significa che le immagini sintetizzate sono più vicine alle reali immagini TC, mentre valori PSNR più alti indicano una migliore qualità dell’immagine.

#Risultati e Discussione

#Qualità dell'Immagine Prima e Dopo la Fusione

Quando guardiamo le immagini TC sintetiche prima di applicare la nostra tecnica di fusione, notiamo alcuni artefatti o errori nelle immagini. Questi artefatti diventano meno evidenti quando applichiamo il nostro metodo di fusione dei subvolumi, specialmente quando aumentiamo la percentuale di sovrapposizione. Cambiando la sovrapposizione tra le sezioni da 0% a 50%, possiamo ridurre significativamente questi errori, portando a immagini più chiare e accurate.

#Impatto della Percentuale di Sovrapposizione

I nostri esperimenti hanno mostrato che regolando la percentuale di sovrapposizione tra subvolumi adiacenti, c'è un cambiamento evidente nella qualità dell'immagine. Inizialmente, aumentando la sovrapposizione, il MAE diminuisce, il che significa che le nostre immagini sono più accurate. Tuttavia, dopo aver raggiunto un certo punto, ulteriori aumenti possono portare a un aumento del MAE. È stata trovata una percentuale di sovrapposizione specifica, tra il 50% e il 70%, come ottimale. Questo intervallo mantiene un buon equilibrio tra qualità dell'immagine e velocità di elaborazione.

#Efficienza Computazionale

Una sfida con questo metodo è che percentuali di sovrapposizione più alte possono rallentare il calcolo necessario per produrre l'immagine finale. Tuttavia, anche con il carico aumentato da sovrapposizioni più alte, abbiamo trovato che il numero di subvolumi utilizzati rimane entro limiti gestibili, assicurando che il processo non sia troppo lento o complicato.

#Conclusione

Nel nostro studio, abbiamo introdotto un nuovo modo per migliorare la qualità delle immagini TC sintetiche generate dai dati RM. Concentrandoci sulla fusione dei subvolumi durante il processo di previsione, possiamo ottenere immagini di alta qualità mantenendo sotto controllo le richieste computazionali. Questo metodo non solo migliora la qualità complessiva delle immagini, ma è anche applicabile ad altri settori nell'imaging medico e oltre.

Utilizzando regioni sovrapposte tra i subvolumi, possiamo meglio bilanciare la qualità delle immagini con il tempo necessario per produrle. Questa scoperta può portare a una migliore pianificazione del trattamento nella terapia con radiazioni, a beneficio finale dei pazienti. Ulteriori ricerche potrebbero espandere queste tecniche ad altre sfide di imaging, rendendole un'aggiunta preziosa alla tecnologia medica.