A. Caloisi, L. Barbato, P. Aureli, S. Pascale, M. Colazzo, A. Benvenga, G. Tremamunno, D. Caruso, A. Laghi
Introduzione:
L’angiografia coronarica mediante tomografia computerizzata (CCTA) svolge un ruolo fondamentale nella diagnosi della coronaropatia ostruttiva (CAD) grazie alla sua ampia disponibilità, alla non invasività e all’elevata accuratezza diagnostica. Nell’ultimo decennio la tecnica di ricostruzione delle immagini TC si è basata su algoritmi di ricostruzione iterativi che hanno consentito una buona riduzione del rumore, ma un’ eccessiva modifica della texture dell’immagine con risultati definiti “plastic like”. Recentemente sono stati immessi nel mercato algoritmi di ricostruzione di immagini basati sul deep learning che utilizzano reti neurali convoluzionali profonde in grado di ridurre il rumore senza alterare la texture dell’immagine. Questo ha determinato un aumento del rapporto segnale rumore (SNR) e rapporto contrasto rumore (CNR), che si traduce in una miglior qualità̀ oggettiva dell’immagine.
Obiettivo:
Lo scopo del lavoro è stato quello di eseguire una valutazione tecnica confrontando le immagini ricostruite tramite algoritmi iterativi (IR) utilizzati nella routine clinica e la ricostruzione delle immagini con algoritmo deep learning (DL).
Materiali e metodi:
Sono stati reclutati 38 pazienti (25 maschi) con BMI<30. L’esame TC è stato svolto con scanner 64 strati, copertura 4 cm, l’acquisizione in senso cranio-caudale è stata eseguita con modalità retrospettiva.
Per ogni paziente sono state ricostruite immagini con tutti i livelli di intensità̀ IR (10 lv) e DL (3 lv). La qualità̀ oggettiva è stata valutata attraverso l’analisi del SNR e del CNR misurato mediante l’utilizzo di quattro regioni d’interesse (ROI) posizionate a livello del muscolo pettorale, dell’aorta ascendente, della coronaria sinistra prossimale e del ramo prossimale della coronaria destra. Per evitare errori di posizionamento è stata utilizzata la funzione “copia e incolla” della workstation. Il rumore dell’immagine è stato definito come deviazione standard (SD) della ROI tracciata sul muscolo pettorale. Di seguito le formule per il calcolo del SNR e CNR:
Risultati:
I dati raccolti per lo studio hanno dimostrato che l’algoritmo DL non ha inficiato l’attenuazione vascolare (IR 706.6 ± 117.3 vs DL 701.2 ± 123) poiché dai valori ottenuti la variazione è risultata minima. La massima intensità̀ di DL ha dimostrato una riduzione del rumore rispetto alla ricostruzione IR di media intensità̀ utilizzata nella routine clinica con una media di valori DL 12.1 ± 8.2 vs IR 19.2 ± 25.9 permettendo così di ottenere un immagine meno rumorosa.
Inoltre, si è verificata una valutazione più̀ alta per SNR e CNR, con medie rispettivamente pari a 77 e 71.
Discussione:
Nel complesso i dati ricostruiti tramite DL hanno apportato un miglioramento della qualità̀ dell’immagine ottenendo una riduzione del rumore del 37% e un conseguente miglioramento del SNR e CNR rispetto a IR di media intensità. Inoltre, l’elevata qualità dell’ immagine ottenuta tramite DL,
insieme all’efficiente processo di ricostruzione ottenuto in un tempo ≤ 50s, apre la strada ad un possibile utilizzo nella routine clinica quotidiana. Il vantaggio che ne deriva è quello di poter creare protocolli di acquisizione dedicati per le CCTA e sfruttare le capacità del DL di ricostruire l’alta qualità degli esami anche con una bassa dose. Inoltre, la migliore qualità dell’immagine garantita dal DL aprirebbe la strada a protocolli di iniezione di mezzi di contrasto a volume ridotto, particolarmente utili negli anziani e nei pazienti con insufficienza cardiaca o con funzionalità renale compromessa. Pertanto, l’applicazione dell’algoritmo DL risulta utile nella pratica clinica per consentire una dose di radiazioni più delicata senza effetti negativi sulla qualità dell’immagine e quindi sull’accuratezza diagnostica.
Conclusioni:
In conclusione, l’algoritmo DL di alta intensità si dimostra come la miglior tecnica di ricostruzione a parità di dati espositivi, in quanto presenta il minor rumore e il più alto valore di SNR e CNR.
