“Analysis & opinion”: Intelligenza Artificiale applicata all’ottimizzazione della dose in TC

La squadra del Dott. Caruso e del Prof. Laghi è stata tra i primi in Italia ad utilizzare l’algoritmo di intelligenza artificiale (AI) in Tomografia Computerizzata (TC) in fase di ricostruzione, mediante l’implementazione della proposta di General Electric (GE). Il software di Deep Learning Reconstruction (DLR) True fidelity (TF) è stato implementato per la prima volta sul territorio nazionale presso l’Azienda Ospedaliero-Universitaria Sant’Andrea di Roma (Polo Università La Sapienza di Roma). L’installazione dell’algoritmo DLR ha fornito la possibilità di pubblicare un lavoro scientifico sullo stato dell’arte nell’utilizzo dell’AI nella ricostruzione di immagini TC, per l’ottimizzazione dei protocolli di acquisizione.

L’applicazione dell’intelligenza artificiale nella ricostruzione delle immagini TC nasce dall’esigenza costante di ridurre la dose di radiazione erogata al paziente, pur mantenendo una adeguata accuratezza diagnostica.

La prima generazione di ricostruzione iterativa (RI), introdotta a partire dal 2008, ha mostrato fin da subito alcuni limiti associati alla semeiotica delle immagini, ovvero l’effetto noto come “plastic like”.

Le immagini ottenute dalle prime generazioni di RI, infatti, erano caratterizzate da una qualità di immagine differente se confrontate con quelle ricostruite con sistemi di retroproiezione filtrata (FBP), utilizzata in TC fin dai primi anni 70’.

Le FBP permettono di ottenere una più elevata confidenza in termini di risoluzione spaziale e di contrasto (edge enhancement), mentre la trama (texture) artificiale o l’aspetto macchiato delle RI di prima generazione riduceva la confidenza da parte del Medico Radiologo.

Se si considera invece l’effetto plastificato iterativo (platic like), questo risulta essere più evidente alle basse dosi: in questi casi infatti, per compensare il rumore quantico generato dalla bassa intensità di fotoni X, viene utilizzato un elevato livello di RI, con un conseguente spostamento della distribuzione del rumore verso le basse frequenze [1]. 

Con l’implementazione delle DLR in TC, sono stati superati i limiti sopra descritti, ottenendo una minore variazione nella texture delle immagini e una migliorata qualità di immagine, sia in termini di rapporto segnale-rumore (SNR-signal to noise ratio) che contrasto-rumore (CNR-contrast to noise ratio) [2-3].

Attualmente, le immagini DLR mostrano una differente distribuzione del rumore quantico se confrontate mediante RI [4].

L’analisi dello spettro di potenza del rumore (NPS, noise power spectrum) [5-6] (Fig.1) mostra come le immagini DLR hanno una granularità simile alle FBP, rispetto alle RI, dimostrando così che le DLR a basse dosi (CTDIvol 4.9mGy) hanno caratteristiche simili alle FBP ad alte dosi (CTDIvol 15.1mGy) [5-6] (Fig.2).

Figura 1. Scansione phantom d’acqua.

Scansione di un phantom d’acqua di 20 cm (GE Healthcare, WI, US) eseguita con scanner Revolution CT e due livelli di CTDIvol: 4.9mGy e 15.1mGy, rispettivamente. Immagini ricostruite con FBP, ASiR-V 100% e DLIR-H con spessore di 2.5 mm [5].

Figura 2. Curve NPS normalizzate per DLIR, ASiR e FBP.

Le curve NPS normalizzate (nNPS) sono un metodo equo per confrontare acquisizioni con diversi livelli di dose [5].

Questi risultati sono stati ottenuti attraverso l’applicazione di Reti Neurali Convoluzionali Profonde (Deep Convolutional Neural Network), sottoinsieme del Deep Learning (Deep Learning Reconstruction). La rete neurale è formata da milioni di nodi e ognuno di questi rappresenta una caratteristica/parametro. Nel caso delle ricostruzioni DLR, le reti sono già state “allenate” mediante immagini molto rumorose Vs. immagini FBP ad altissima qualità, ovvero ad elevate dosi di radiazioni (tecnologia TF). La differenza tra i 2 dataset di immagini utilizzati per l’allenamento del DLR viene utilizzata per calibrare (attivando o disattivando) i vari nodi. Quindi, nella pratica clinica, una volta acquisito lo slab di immagini, questo verrà elaborato da un apposito ricostruttore che in pochi secondi applicherà le opportune modifiche ai dati acquisiti, offrendo un’immagine a bassa quantità di rumore.

L’elevata capacità di denoising (riduzione del rumore) della tecnica DLR ha permesso un ulteriore riduzione della esposizione a dose radianti (Fig. 3), come evidenziato dalle prime pubblicazioni scientifiche [7-8-9].

Figura 3. Ricostruzioni multiplanari della fase escretoria in CT Urography (CTU).

Immagini (a), (b) e (c) protocollo convenzionale C-CTU (CTDIvol = 9,61±1,67mGy) ricostruite con ASIR-V 50%. Immagini (d), (e) e (f) protocollo low-dose LD-CTU (CTDIvol = 2,95±0,44mGy)  ricostruite con DLIR-H. L’analisi quantitativa, in termini di SNR, e qualitativa non hanno mostrato differenze statisticamente significative [8].

In attesa di conoscere i risultati dei futuri studi multicentrici prospettici, che dimostreranno la sicurezza e l’efficacia delle applicazioni cliniche DLR, possiamo considerare iniziata una nuova era delle ricostruzioni delle immagini in TC, come sottolineato nel lavoro proposto da Caruso et al. [10]. 

Per capire come funziona l’AI e la sua applicazione nel processo di ricostruzioni delle immagini TC, AITeRTC consiglia la lettura del seguente articolo “Principles of Artificial Intelligence Applied to Dose Optimization” e di rivedere il primo appuntamento del corso “AngioTC: non solo un protocollo” nel quale sono state analizzate le potenzialità date dal DLR negli esami TC angiografici.

Abbreviazioni

SNR – Rapporto segnale-rumore

CNR – Rapporto contrasto-rumore

FBP – Retroproiezione filtrata

ASIR-V- Ricostruzione iterativa statistica adattiva-Veo

ASIR-V 50% – Ricostruzione iterativa statistica adattiva-Veo livello medio

ASIR-V 100% – Ricostruzione iterativa statistica adattiva-Veo livello massimo

DLIR – Ricostruzione di immagini in deep learning

DLIR-H – Ricostruzione di immagini in deep learning ad alto livello

References:

  1. Zhu Z, Zhao Y, Zhao X, et al. Impact of preset and postset adaptive statistical iterative reconstruction-V on image quality in nonenhanced abdominal-pelvic CT on wide-detector revolution CT. Quant Imaging Med Surg. 2021;11(1):264-275. doi:10.21037/qims-19-945. . https://pubmed.ncbi.nlm.nih.gov/33392027/.
  2. Akagi, M., Nakamura, Y., Higaki, T. et al.Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT. Eur Radiol 29, 6163–6171 (2019) https://doi.org/10.1007/s00330-019-06170-3.
  3. MacDougall RD, Zhang Y, Callahan MJ et al. Improving low-dose pediatric abdominal CT by using convolutional neural networks. Radiol Artif Intell. 2019 Nov 27;1(6):e180087 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6884028/.
  4. Higaki T, Nakamura Y, Zhou J et al. Deep learning reconstruction at CT: Phantom study of the image characteristics. Acad Radiol. 2020 Jan;27(1):82-87 https://pubmed.ncbi.nlm.nih.gov/31818389/.
  5. True Fidelity White Paper
  6. Justin Solomon,Peijei Lyu et al. Noise and spatial resolution properties of a commercially available deep learning-based CT reconstruction algorithm. First published: 07 June 2020 https://doi.org/10.1002/mp.14319.
  7. Benz, Dominik C et al. “Radiation dose reduction with deep-learning image reconstruction for coronary computed tomography angiography.” European radiology 32,4 (2022): 2620-2628. doi:10.1007/s00330-021-08367-x https://pubmed.ncbi.nlm.nih.gov/34792635/
  8. Yannan Cheng, Yangyang Han et al. Low-dose CT urography using deep learning image reconstruction: a prospective study for comparison with conventional CT urography. The British Journal of Radiology 2021 doi.org/10.1259/bjr.20201291 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8010546/
  9. Le Cao, Xiang Liu et al. A study of using a deep learning image reconstruction to improve the image quality of extremely low-dose contrast-enhanced abdominal CT for patients with hepatic lesions. The British Journal of Radiology 2020 https://doi.org/10.1259/bjr.20201086
  10. Damiano Caruso, Tiziano Polidori, Andrea Laghi. Principles of Artificial Intelligence Applied to Dose Optimization
Facebook
Twitter
LinkedIn
WhatsApp