Sviluppi nelle tecniche di creazione delle immagini TC

La tomografia computerizzata a raggi X (CT) è uno strumento fondamentale nella sanità. Aiuta i medici a diagnosticare e trattare diverse condizioni mediche fornendo immagini dettagliate dell'interno del corpo. Le immagini CT di solito vengono salvate in un formato specifico chiamato DICOM. Per risparmiare spazio di archiviazione, alcune immagini vengono scattate a intervalli maggiori, il che significa che alcuni dettagli vengono persi, rendendo difficile creare immagini 3D chiare da queste selezioni.

Diverse strutture mediche utilizzano diverse macchine CT, il che può portare a variazioni nelle immagini prodotte. Questa differenza nell'imaging può causare complicazioni quando si cerca di utilizzare queste immagini per analisi avanzate o apprendimento automatico. Per lavorare con immagini CT provenienti da più fonti, è fondamentale assicurarsi che abbiano le stesse misure. Tuttavia, poiché diversi pazienti hanno diverse larghezze di fette nelle loro scansioni, creare set uniformi di immagini può essere complicato. Questo spesso richiede di creare nuove immagini per riempire i vuoti tra le fette esistenti.

#Metodi

In questo studio, l'obiettivo era creare nuove immagini tra due immagini CT esistenti. Il lavoro è stato svolto utilizzando un computer personale con una scheda grafica potente e specifici strumenti software. Un linguaggio di programmazione chiamato Python è stato utilizzato per lavorare con le immagini CT. Lo studio ha utilizzato una raccolta di immagini da precedenti scansioni CT di pazienti che erano state approvate per uso di ricerca.

Le immagini nella raccolta sono state specificamente scattate per aiutare a diagnosticare fratture nelle ossa facciali. Per garantire la privacy del paziente, tutte le informazioni identificabili sono state rimosse dalle immagini prima dell'analisi. Le condizioni di imaging per queste immagini non erano uniformi, il che significa che alcune immagini possono apparire diverse dalle altre.

#Preparazione delle Immagini

Per cominciare, le immagini sono state lette utilizzando una libreria Python progettata per gestire i file DICOM. I valori dei pixel nelle immagini sono stati regolati su una scala specifica per coerenza. La maggior parte delle immagini era in una vista chiamata assiale, ma alcune non lo erano, e quelle sono state rimosse dal dataset.

#Classificazione delle Immagini

È stato costruito un modello di deep learning per classificare le immagini CT in base all'area del corpo da cui erano state scattate. Le immagini sono state suddivise in sei categorie: vuote, testa, orbita, mascellare, mandibola e collo. Il modello è stato addestrato utilizzando una percentuale dei dati disponibili, raggiungendo un alto livello di accuratezza.

Le immagini classificate come "vuote" sono state rimosse dal dataset. Le restanti immagini sono state organizzate in base alle loro posizioni. Alla fine, un totale di 20.457 immagini sono state selezionate per ulteriori studi.

#Allenamento dei Modelli per la Creazione di Immagini

#Sistema di Ri-Fetturazione 1/3

Per il primo modello, coppie di immagini sono state prese a intervalli specifici. Ad esempio, un'immagine è stata abbinata alla quarta, saltando la seconda e la terza immagine. Queste coppie sono state combinate e utilizzate come input per il modello, mentre la seconda e la terza immagine hanno servito come output.

#Sistema di Ri-Fetturazione 1/4

Nel secondo modello, un'immagine è stata abbinata alla quinta immagine, saltando di nuovo tre immagini. L'input per questo modello includeva la prima e la quinta immagine, mentre l'output includeva la seconda, la terza e la quarta immagine.

#Sistema di Ri-Fetturazione 1/5

Il terzo modello ha comportato gap più ampi tra le immagini. Per questo, un'immagine è stata abbinata alla sesta immagine (saltando quattro) e raccolta come input. L'output includeva la seconda, la terza, la quarta e la quinta immagine.

Per ciascuno di questi sistemi, è stata utilizzata una Rete Neurale chiamata U-net. Le reti sono state addestrate separatamente per ogni modello per creare Immagini Intermedie mentre si adattavano alle variazioni. Ogni modello è stato addestrato con una parte delle immagini, e le restanti sono state messe da parte per scopi di test.

#Creazione di Nuove Immagini

Una volta che i modelli sono stati addestrati, sono stati utilizzati per generare nuove immagini. Il processo ha coinvolto l'uso di coppie di immagini dal dataset di validazione. È stata anche utilizzata l'interpolazione lineare, un metodo semplice che fa la media dei valori dei pixel, per creare immagini a scopo di confronto.

L'efficacia di entrambi i metodi è stata misurata utilizzando vari strumenti statistici. Le immagini generate sono state confrontate con quelle originali basandosi su indici di somiglianza, che aiutano a determinare quanto le immagini create fossero vicine agli originali.

#Risultati

I risultati hanno mostrato che le immagini create dai modelli U-net avevano generalmente punteggi di somiglianza migliori rispetto a quelle create utilizzando l'interpolazione lineare. Tuttavia, ci sono state istanze in cui il modello U-net ha prodotto immagini con punteggi di somiglianza più bassi, in particolare nei casi in cui erano presenti artefatti metallici nelle immagini originali.

Le immagini create tramite interpolazione lineare erano più semplici e più veloci da produrre. Hanno fornito una media semplice tra due immagini senza molti dettagli. Al contrario, i modelli U-net hanno fornito immagini più complesse e dettagliate, anche se richiedevano più tempo e risorse per essere create.

#Discussione

Lo studio ha evidenziato l'importanza di avere un metodo robusto per creare immagini intermedie da scansioni CT esistenti. Mentre l'interpolazione lineare offre una soluzione rapida, i nuovi modelli U-net hanno fornito risultati più dettagliati nella maggior parte dei casi. Tuttavia, la presenza di artefatti potrebbe influenzare la qualità delle immagini generate.

È fondamentale ricordare che creare immagini intermedie non significa che nuove informazioni siano realmente disponibili. A volte, le immagini appena create potrebbero non riflettere alcun reale dettaglio che è stato perso nelle scansioni originali. Questa è una considerazione significativa nell'imaging medico, poiché può influenzare diagnosi e trattamenti.

La capacità di generare immagini da ri-fetturazione può essere preziosa nella pratica. Ad esempio, se un medico necessita di immagini con un intervallo specifico, può utilizzare questi modelli per creare le immagini necessarie senza dover eseguire nuove scansioni sul paziente.

#Conclusione

Lo sviluppo di sistemi di ri-fetturazione utilizzando modelli U-net ha mostrato promettenti potenzialità nella generazione di immagini CT dettagliate. Questi modelli hanno superato il metodo più semplice di interpolazione lineare in termini di somiglianza con le immagini originali, sebbene siano state notate alcune limitazioni. In generale, questa ricerca punta a fornire strumenti migliori per i medici per lavorare con le immagini CT, garantendo diagnosi più accurate e una migliore assistenza ai pazienti.