La nostra pratica clinica quotidiana impone un attento monitoraggio della qualità dell’immagine.
Per valutare realmente come la nostra apparecchiatura lavora, la fisica medica si affida al Noise Power Spectrum (NPS), un indicatore avanzato che non misura solo quanto rumore è presente, ma come questo rumore si distribuisce alle diverse frequenze spaziali, definendone una vera e propria “texture” visiva.
Tradizionalmente, la stima di questo parametro richiede l’impiego di fantocci omogenei, appositamente costruiti. L’esigenza di monitorare la qualità dell’immagine in modo continuo e più riproducibile possibile, tuttavia, ha indirizzato la ricerca verso l’analisi in vivo.
Lo studio condotto da Mary Karla Pérez Sánchez e colleghi su Biomedical Physics & Engineering Express, presenta un metodo per calcolare l’NPS direttamente dalle immagini CT del fegato del paziente, anziché da un fantoccio di convenzionale.
Il workflow automatizzato sviluppato dai ricercatori si articola in fasi sequenziali: in primo luogo viene sfruttato il modello di deep learning “TotalSegmentator”, per isolare automaticamente il volume epatico, generando una maschera binaria dell’organo. Questa maschera viene combinata con l’immagine originale tramite il prodotto di Hadamard (una complessa operazione algebrica), per estrarre un volume composto unicamente dai valori di attenuazione del fegato.
Successivamente, un algoritmo definito “greedy” seleizona in modo ottimizzato le regioni d’interesse quadrate all’interno di aree potenzialmente omogenee del parenchima epatico, scartando i pixel periferici per evitare interferenze dovute ad altri organi o strutture vascolari.
Infine, sfruttando la libreria “PyLinac”, viene calcolato l’NPS bidimensionale, ridotto poi a una curva unidimensionale tramite una media radiale nello spazio delle frequenze spaziali.
Conseguentemente, implementando una rete neurale per isolare il parenchima epatico, l’algoritmo seleziona automaticamente ROI omogenee ed estrae la curva NPS in vivo, dimostrando un’ottima corrispondenza con i controlli tradizionali.
La conoscenza di questi strumenti è fondamentale per valutare la resa delle ricostruzioni che utilizziamo nella nostra pratica quotidiana, e garantire il miglior equilibrio tra riduzione della dose e qualità diagnostica effettiva nella pratica clinica.
Fonte: PÉREZ SÁNCHEZ, M. K. ET AL., Automated patient-derived noise power spectrum estimation in abdominal CT: a preliminary validation. Biomedical Physics & Engineering Express (2026). Link: https://doi.org/10.1088/2057-1976/ae9311
