A tomografia computadorizada (TC) é uma ferramenta popular de imagens médicas, que visualiza e quantifica estruturas internas para triagem, diagnóstico, planejamento de terapia e monitoramento de tratamento. As varreduras de TC clínicas convencionais geram uma imagem de atenuação integrada espectralmente que mostra a morfologia do tecido, mas não fornece nenhuma informação direta sobre a composição do tecido.
Os sistemas de TC de energia dupla (DECT), que adquirem dois conjuntos de dados espectralmente distintos, podem reconstruir imagens monoenergéticas (VM) virtuais e específicas do material que fornecem informações sobre a composição do tecido. Em comparação com a TC convencional, entretanto, o DECT é mais caro e complexo e freqüentemente requer uma dose de radiação aumentada.
Para pacientes sem acesso aos exames DECT, uma forma de aproximar as informações fornecidas pelo DECT usando uma tomografia computadorizada de espectro único poderia melhorar os diagnósticos clínicos. Com esse objetivo, Wenxiang Cong e uma equipe liderada por Ge Wang no Rensselaer Polytechnic Institute demonstraram uma abordagem de Deep Learning que pode produzir imagens VM a partir de tomografias de espectro único.
“Com a TC tradicional, você obtém uma imagem em tons de cinza, mas com a TC de energia dupla, você obtém uma imagem com duas cores”, explica Wang. “Com o aprendizado profundo, tentamos usar a máquina de TC padrão para fazer o trabalho de imagens de TC de energia dupla. Esperamos que esta técnica ajude a extrair mais informações de uma tomografia computadorizada de raios-X de espectro único regular, torná-la mais quantitativa e melhorar o diagnóstico.”
Wang e sua equipe – em colaboração com a Shanghai First-Imaging Tech e a GE Research – modificaram uma rede neural residual (ResNet) para transformar imagens clínicas de TC de espectro único em equivalentes VM. Depois de treinar a rede em imagens clínicas DECT, eles a usaram para produzir imagens VM em dois níveis de energia (80 e 110 keV) a partir de imagens de espectro único. Estas imagens VM mostraram excelente concordância com aquelas produzidas pela reconstrução DECT usando dois espectros diferentes.
O modelo foi capaz de produzir aproximações de alta qualidade para coeficientes de atenuação linear com um erro relativo de menos de 2%. A similaridade estrutural entre os dois tipos de imagens de VM foi de até 0,99, mostrando que as informações estruturais, principalmente as características de textura, foram bem preservadas pelo método de aprendizado de máquina.
Em seguida, a equipe usou as imagens VM baseadas em aprendizado profundo para gerar imagens específicas de materiais de três tipos de tecido: adiposo, muscular e ósseo. As imagens resultantes eram de alta qualidade e se aproximavam das produzidas por DECT usando conjuntos de dados de projeção de dois espectros de raios-X.
Os pesquisadores observam que a imagem do osso pode ser claramente separada das imagens da VM. Notavelmente, uma calcificação na aorta abdominal que era imperceptível na imagem policromática original era visível na imagem VM sintetizada e na imagem óssea. Isso revela uma das potenciais utilidades clínicas do método DL.
Tendo demonstrado que um conjunto de dados de TC convencional acoplado com Deep Learning pode fornecer uma grande aproximação de imagens DECT, os pesquisadores sugerem que é potencialmente viável usar TC convencional para realizar algumas tarefas importantes atualmente alcançadas usando DECT – eliminando assim o custo de hardware associado a um Scanner DECT.
Um exemplo de aplicação é a determinação do poder de parada de prótons para uso no planejamento da terapia de prótons, onde é importante representar com precisão as concentrações de materiais de tecidos comuns ao longo do feixe terapêutico. A equipe também destaca a imagem VM baseada em aprendizado profundo como uma alternativa à micro-TC de contagem de fótons para aplicações pré-clínicas in vivo.
Publicado em 28/10/2020 00h24
Artigo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: