Síntesis de sustracción de doble energía basada en el aprendizaje profundo de la fluoroscopia de rayos x kV de una...

Área de la Ciencia:

• Imágenes médicas
• La inteligencia artificial en la medicina
• Radiología Oncológica

Sus antecedentes:

• El seguimiento del tumor sin marcador en la radioterapia del cáncer de pulmón es crucial para la administración precisa de la dosis, pero es desafiado por la escasa visibilidad del tumor debido a estructuras superpuestas como las costillas.
• La fluoroscopia de rayos X de doble energía (DE) puede mejorar la visibilidad y la precisión de seguimiento al suprimir los artefactos óseos, pero requiere hardware especializado, lo que limita su aplicación clínica.
• Los métodos existentes para mejorar la visibilidad del tumor a menudo dependen de soluciones intensivas en hardware o carecen de suficiente precisión para objetivos móviles.

Objetivo del estudio:

• Desarrollar y validar un método basado en el aprendizaje profundo para sintetizar imágenes de sustracción de doble energía (DES) de la fluoroscopia estándar de una sola energía (SE).
• Mejorar la precisión del seguimiento de tumores sin marcadores para tumores pulmonares en movimiento durante la radioterapia mediante la mejora de la visibilidad del objetivo.
• Proporcionar una alternativa independiente del hardware a las imágenes convencionales de DE para mejorar la localización del tumor pulmonar.

Principales métodos:

• Se desarrolló y entrenó un modelo residual de aprendizaje profundo de U-Net utilizando un conjunto de datos de DES simulado generado a partir de un fantasma digital.
• El modelo fue diseñado para sintetizar imágenes DES de imágenes fluoroscópicas SE, imitando efectivamente las capacidades de supresión ósea de las imágenes DE reales.
• Se realizó una evaluación cuantitativa de la calidad de la síntesis utilizando un fantasma digital, seguida de una validación clínica en imágenes fluoroscópicas de SE de diez pacientes con cáncer de pulmón.

Principales resultados:

• El modelo de aprendizaje profundo sintetizó con éxito las imágenes DES de la fluoroscopia SE, demostrando una buena calidad de síntesis en experimentos fantasma digitales.
• La evaluación clínica mostró que el uso de imágenes sintetizadas de DES mejoró la precisión de seguimiento de tumores sin marcadores, reduciendo los errores promedio de 1,80 mm a 1,68 mm.
• La tasa de éxito de seguimiento dentro de un rango de movimiento del 25% aumentó del 50,2% con imágenes SE al 54,9% con imágenes DES sintetizadas.

Conclusiones:

• La síntesis basada en aprendizaje profundo de imágenes DES de la fluoroscopia SE es un enfoque factible para mejorar el seguimiento de tumores sin marcadores en la radioterapia del cáncer de pulmón.
• Este método ofrece una solución potencial para superar las limitaciones de hardware asociadas con las imágenes tradicionales de DE, lo que hace que el seguimiento mejorado del tumor sea más accesible.
• Los hallazgos sugieren una vía prometedora hacia una administración de radiación más precisa y confiable para los tumores pulmonares en movimiento.