{"id":7346,"date":"2022-05-24T13:27:00","date_gmt":"2022-05-24T12:27:00","guid":{"rendered":"https:\/\/www.aitertc.it\/web\/?p=7346"},"modified":"2024-07-10T13:15:00","modified_gmt":"2024-07-10T12:15:00","slug":"artificial-intelligence-applied-to-ct-dose-optimization","status":"publish","type":"post","link":"https:\/\/www.aitertc.it\/web\/2022\/05\/24\/artificial-intelligence-applied-to-ct-dose-optimization\/","title":{"rendered":"“Analysis & opinion”: Intelligenza Artificiale applicata all’ottimizzazione della dose in TC"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

La squadra del Dott. Caruso e del Prof. Laghi \u00e8 stata tra i primi in Italia ad utilizzare l\u2019algoritmo di intelligenza artificiale (AI) in Tomografia Computerizzata (TC) in fase di ricostruzione, mediante l\u2019implementazione della proposta di General Electric (GE). Il software di Deep Learning Reconstruction (DLR) True fidelity (TF) \u00e8 stato implementato per la prima volta sul territorio nazionale presso l\u2019Azienda Ospedaliero-Universitaria Sant\u2019Andrea di Roma (Polo Universit\u00e0 La Sapienza di Roma). L\u2019installazione dell\u2019algoritmo DLR ha fornito la possibilit\u00e0 di pubblicare un lavoro scientifico sullo stato dell\u2019arte nell\u2019utilizzo dell\u2019AI nella ricostruzione di immagini TC, per l\u2019ottimizzazione dei protocolli di acquisizione.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

L\u2019applicazione 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.<\/span><\/p>

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\u2019effetto noto come \u201cplastic like\u201d.<\/span><\/p>

Le immagini ottenute dalle prime generazioni di RI, infatti, erano caratterizzate da una qualit\u00e0 di immagine differente se confrontate con quelle ricostruite con sistemi di retroproiezione filtrata (FBP), utilizzata in TC fin dai primi anni 70\u2019.<\/span><\/p>

Le FBP permettono di ottenere una pi\u00f9 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.<\/span><\/p>

Se si considera invece l\u2019effetto plastificato iterativo (platic like), questo risulta essere pi\u00f9 evidente alle basse dosi: in questi casi infatti, per compensare il rumore quantico generato dalla bassa intensit\u00e0 di fotoni X, viene utilizzato un elevato livello di RI, con un conseguente spostamento della distribuzione del rumore verso le basse frequenze [1].\u00a0<\/span><\/p>

Con l\u2019implementazione delle DLR in TC, sono stati superati i limiti sopra descritti, ottenendo una minore variazione nella texture delle immagini e una migliorata qualit\u00e0 di immagine, sia in termini di rapporto segnale-rumore (SNR-signal to noise ratio) che contrasto-rumore (CNR-contrast to noise ratio) [2-3].<\/span><\/p>

Attualmente, le immagini DLR mostrano una differente distribuzione del rumore quantico se confrontate mediante RI [4].<\/span><\/p>

L\u2019analisi dello spettro di potenza del rumore (NPS, noise power spectrum) [5-6] (Fig.1) mostra come le immagini DLR hanno una granularit\u00e0 simile alle FBP, rispetto alle RI, dimostrando cos\u00ec che le DLR a basse dosi (CTDIvol 4.9mGy) hanno caratteristiche simili alle FBP ad alte dosi (CTDIvol 15.1mGy) [5-6] (Fig.2).<\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Figura 1.\u00a0<\/strong>Scansione phantom d\u2019acqua.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Scansione di un phantom d\u2019acqua 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].<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Figura 2.<\/strong> Curve NPS normalizzate per DLIR, ASiR e FBP.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Le curve NPS normalizzate (nNPS) sono un metodo equo per confrontare acquisizioni con diversi livelli di dose [5].<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Questi risultati sono stati ottenuti attraverso l\u2019applicazione di Reti Neurali Convoluzionali Profonde (Deep Convolutional Neural Network), sottoinsieme del Deep Learning (Deep Learning Reconstruction). La rete neurale \u00e8 formata da milioni di nodi e ognuno di questi rappresenta una caratteristica\/parametro. Nel caso delle ricostruzioni DLR, le reti sono gi\u00e0 state “allenate” mediante immagini molto rumorose Vs. immagini FBP ad altissima qualit\u00e0, ovvero ad elevate dosi di radiazioni (tecnologia TF). La differenza tra i 2 dataset di immagini utilizzati per l\u2019allenamento del DLR viene utilizzata per calibrare (attivando o disattivando) i vari nodi. Quindi, nella pratica clinica, una volta acquisito lo slab di immagini, questo verr\u00e0 elaborato da un apposito ricostruttore che in pochi secondi applicher\u00e0 le opportune modifiche ai dati acquisiti, offrendo un\u2019immagine a bassa quantit\u00e0 di rumore.<\/p>

L\u2019elevata capacit\u00e0 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].<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Figura 3. <\/strong>Ricostruzioni multiplanari della fase escretoria in CT Urography (CTU).<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Immagini (a), (b) e (c) protocollo convenzionale C-CTU (CTDIvol = 9,61\u00b11,67mGy) ricostruite con ASIR-V 50%. Immagini (d), (e) e (f) protocollo low-dose LD-CTU (CTDIvol = 2,95\u00b10,44mGy)\u00a0 ricostruite con DLIR-H. L’analisi quantitativa, in termini di SNR, e qualitativa non hanno mostrato differenze statisticamente significative [8].<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

In attesa di conoscere i risultati dei futuri studi multicentrici prospettici, che dimostreranno la sicurezza e l\u2019efficacia 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].\u00a0<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\n\t\t\t\t\t\t<\/span>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Per capire come funziona l\u2019AI e la sua applicazione nel processo di ricostruzioni delle immagini TC, AITeRTC consiglia la lettura del seguente articolo \u201cPrinciples of Artificial Intelligence Applied to Dose Optimization<\/a>\u201d e di rivedere il primo appuntamento del corso “AngioTC: non solo un protocollo<\/a>” nel quale sono state analizzate le potenzialit\u00e0 date dal DLR negli esami TC angiografici.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Abbreviazioni<\/strong><\/p>

SNR – Rapporto segnale-rumore<\/p>

CNR – Rapporto contrasto-rumore<\/p>

FBP – Retroproiezione filtrata<\/p>

ASIR-V- Ricostruzione iterativa statistica adattiva-Veo<\/p>

ASIR-V 50% – Ricostruzione iterativa statistica adattiva-Veo livello medio<\/p>

ASIR-V 100% – Ricostruzione iterativa statistica adattiva-Veo livello massimo<\/p>

DLIR – Ricostruzione di immagini in deep learning<\/p>

DLIR-H – Ricostruzione di immagini in deep learning ad alto livello<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

References:<\/strong><\/p>

  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\/.<\/a><\/li>
  2. Akagi, M., Nakamura, Y., Higaki, T.\u00a0et al.<\/em>Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT.\u00a0Eur Radiol<\/em> 29,\u00a06163\u20136171 (2019)\u00a0https:\/\/doi.org\/10.1007\/s00330-019-06170-3.<\/a><\/li>
  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\/.<\/a><\/li>
  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\/.<\/a><\/li>
  5. True Fidelity White Paper<\/a><\/li>
  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<\/a>.<\/li>
  7. Benz, Dominik C et al. \u201cRadiation dose reduction with deep-learning image reconstruction for coronary computed tomography angiography.\u201d\u00a0European radiology<\/em> 32,4 (2022): 2620-2628. doi:10.1007\/s00330-021-08367-x https:\/\/pubmed.ncbi.nlm.nih.gov\/34792635\/<\/a><\/li>
  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\/<\/a><\/li>
  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<\/a><\/li>
  10. Damiano Caruso, Tiziano Polidori, Andrea Laghi. Principles of Artificial Intelligence Applied to Dose Optimization<\/a><\/li><\/ol>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

    La squadra del Dott. Caruso e del Prof. Laghi \u00e8 stata tra i primi in Italia ad utilizzare l\u2019algoritmo di intelligenza artificiale (AI) in Tomografia Computerizzata (TC) in fase di…<\/p>\n","protected":false},"author":84,"featured_media":8009,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1,504],"tags":[72,198,199,202,197,118,37,200],"class_list":["post-7346","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","category-pubblicazioni","tag-aitertc","tag-dcnn","tag-deep-convolutional-neural-networks","tag-deep-learning-reconstruction","tag-dlr","tag-intelligenza-artificiale","tag-tc","tag-true-fidelity"],"_links":{"self":[{"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/posts\/7346","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/users\/84"}],"replies":[{"embeddable":true,"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/comments?post=7346"}],"version-history":[{"count":31,"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/posts\/7346\/revisions"}],"predecessor-version":[{"id":7931,"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/posts\/7346\/revisions\/7931"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/media\/8009"}],"wp:attachment":[{"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/media?parent=7346"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/categories?post=7346"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.aitertc.it\/web\/wp-json\/wp\/v2\/tags?post=7346"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}