Imagistica prin rezonanță magnetică (IRM) are un contrast superior la nivelul țesuturilor moi comparativ cu tomografia computerizată (CT). În radioterapie, calcularea dozei se face folosind algoritmi dezvoltați și validați pentru scanările CT, deci realizarea unei astfel de scanări rămâne necesară.

Cel mai frecvent utilizată soluție în acest moment este fuziunea CT-IRM. Imaginile din aceeași zonă anatomică sunt suprapuse în același plan, cât mai exact posibil. Ele pot fi vizualizate selectiv, pentru conturarea precisă a organelor țintă și a organelor care trebuie evitate. Unul dintre dezavantaje este suprapunerea imperfectă, din cauza poziției diferite a pacientului sau a particularităților scanării. 

De exemplu, imaginile CT sunt generate ca secțiuni în plan axial, sagital sau coronal, însă nu se poate spune același lucru despre scanările IRM, care generează secțiuni și în planuri oblice. Scanarea CT implică expunerea la radiații ionizante, care, chiar dacă sunt livrate în doză mică, au un potențial efect tumorigen, mai ales când se depășește o anumită limită sau la persoane susceptibile.

La un moment dat în trecut a apărut o nouă idee: generarea unui CT „sintetic” din IRM, cu potențialul de a elimina nevoia de imagistică CT pentru planificarea radioterapiei și pentru reducerea folosirii unei metode diagnostice care implică iradierea.

Începuturile

Când computerele au devenit suficient de „inteligente” au fost capabile să rezolve sarcini complexe, precum recunoașterea sau chiar crearea de noi imagini, numite imagini „sintetice”. Încă din 1971, Henri Gouraud, un informatician francez, a realizat prima reprezentare generată de computer a figurii umane, avându-și ca model soția (1) (Figura 1).

Evoluțiile ulterioare au produs rezultate care au devenit mai realiste, până la punctul în care pot deveni înșelătoare (2), creând necesitatea unei noi legislații (3) (Figura 2). Cele mai multe dintre aceste noi performanțe tehnologice sunt aplicate în filme, jocuri pe calculator, artă, modă și design. Ele pot fi, de asemenea, folosite pentru a îmbunătăți viața de zi cu zi prin procese de generare a hărților, diverse aplicații industriale sau în proiecte precum dezvoltarea de mașini autonome.

Medicina beneficiază și ea de transferul de cunoștințe din alte domenii. Specialități ca Radiologia și Radioterapia, care se bazează pe imagini, devin „destinatarele” firești ale acestor tipuri de progrese tehnice.

Începând cu 2010 au fost publicate lucrări care descriu diferite moduri de a crea echivalențe de CT pe baza IRM. În 2017, Xiao Han, un inginer și om de știință chinezo-american, a propus o nouă metodă care a permis obținerea unui CT sintetic (sCT) bazat pe IRM. O rețea neuronală artificială (rețea neuronală convoluțională profundă) a fost antrenată folosind perechi de CT și IRM de la 18 pacienți. 

A fost efectuat un studiu de validare încrucișată, dovedind că scanările sCT generate au fost superioare ca precizie și rapiditate comparativ cu ce se putea obține cu metode dezvoltate anterior (4). De atunci, mai multe inițiative similare au raportat rezultate încurajatoare, cu peste 2.200 de studii publicate în reviste indexate Pubmed în ultimii cinci ani.

Cum se întâmplă „magia”?

Metodele precedente de obținere a datelor echivalente CT din RM implicau una dintre următoarele trei metode sau o combinație a acestora. Prima presupunea clasificarea fragmentelor de imagine IRM (voxeli) ca fiind aer, grăsime, țesut moale sau os și atribuind apoi coduri diferite pentru fiecare tip de țesut. A doua abordare a implicat un model bazat pe învățare. O funcție de „cartografiere” asocia intensitățile voxelilor RM cu unitățile Hounsfield corespunzătoare pe CT. 

Aceste metode au dezavantajul că osul și aerul pot arăta asemănător pe secvențele RM convenționale, astfel încât ar fi necesare secvențe multiple sau conturaj manual pentru un rezultat precis. O a treia metodă a folosit suprapunerea imaginilor unui IRM dintr-o colecție de tipul unui atlas virtual cu imagini CT, făcând astfel posibilă generarea ulterioară a unor predicții. Cu toate acestea, este dificilă suprapunerea cu exactitate a imaginilor unui pacient la o imagine de atlas, din cauza variațiilor anatomice sau patologice.

Noua abordare (care implică rețele convoluționale de deep learning) permite obținerea unui rezultat de calitate folosind o singură secvență IRM. Cu excepția stratului de intrare și a stratului de ieșire, există și alte straturi ascunse care procesează informațiile prin aplicarea mai multor filtre. Fiecare strat primește, procesează și transmite informații celui următor. În acest fel, sunt recunoscute caracteristici de complexitate crescută, rafinând rezultatul. 

Un pas mai departe

Obținerea de date pereche aparținând aceluiași pacient poate fi dificilă, așa că au fost găsite noi soluții. A devenit astfel posibilă dezvoltarea de modele de translatare imagine-la-imagine antrenate cu date care nu sunt perechi, cum ar fi un set de imagini IRM de la unii pacienți și un set de imagini CT de la alții (5). În timp ce obținerea datelor din imagini neasociate este adesea mai ușoară, antrenamentul este mai dificil și performanța acestor modele tinde să fie mai slabă decât a celor bazate pe imagini pereche.

Pentru a îmbunătăți performanța unor astfel de modele, a fost creat un alt tip de rețea. Rețelele adversariale generative (GAN) au rezultate impresionante în generarea de imagini și translatarea imagine-la-imagine (6). Aceste structuri reunesc cel puțin o rețea care generează imaginile și una care le verifică – discriminatorul (7). Discriminatorul compară sCT cu scanări CT reale și respinge ca „false” imaginile pe care le cataloghează ca nefiind un CT real. În acest fel, generatorul învață să producă „falsuri” mai bune, până când devine atât de priceput, încât poate înșela discriminatorul crezând că CT-urile false ar fi CT-uri reale.  

De ce sunt importante imaginile sintetice în medicină?

Un motiv ar fi îmbunătățirea calității imaginilor, prin îndepărtarea artefactelor pe IRM, reducerea „zgomotului” pe imaginile provenite din CT „low dose” sau creșterea rezoluției. Translatarea IRM-CT poate ajuta la reducerea încărcării departamentelor de radiologie și la evitarea expunerii suplimentare a pacienților la radiații. Imaginile generate sintetic pot fi utilizate și pentru antrenarea modelelor de învățare automată, evitând îngrijorarea legată de confidențialitatea pacientului.

Pentru radioterapie, un flux de lucru bazat exclusiv pe IRM ar fi mai rapid și ar evita posibile erori cauzate de fuziunea inexactă a imaginilor CT și IRM (8). Este foarte probabil ca în viitor această abordare să se extindă, pe măsură ce performanța va crește, iar utilitatea aplicării va fi documentată de un număr suficient de studii de bună calitate. 

Bibliografie

[1] https://interstices.info/images-de-synthese-palme-de-la-longevite-pour-lombrage-de-gouraud/

[2] K. Hill și J. White (2020). Conceput pentru a înșela: acești oameni ți se par reali? The New York Times, 11

[3] Brundage M și colab. (2018).Utilizarea rău intenționată a inteligenței artificiale: previziune, prevenire și atenuare. , ArXiv, abs/1802.07228,

[4] Han X. (2017). Generare CT sintetică bazată pe MR folosind o metodă de rețea neuronală convoluțională profundă. Fizică medicală, 44(4), 1408–1419. https://doi.org/10.1002/mp.12155

[5] Zhu, J. și colab. (2017). Traducere neîmperecheată imagine-la-imagine folosind rețele adverse consecvente ciclului. În Proceedings of the IEEE International Conference on computer vision, (p. 2223-2232)

[6] Isola, P., et al. (2017) Traducere imagine-la-imagine cu rețele contradictorii condiționate. În Proceedings of the IEEE Conference on computer vision and pattern recognition, 1125-1134

[7] Karras, T., et al. (2021). Rețele adverse generative fără alias. Advances in Neural Information Processing Systems, 34, 852-863

[8] Goudschaal, K., et al ((2021) Accuracy of an MR-only workflow for prostata radiotherapy using semi-automatically burned-in fiducial markers. Radiation oncology (Londra, Anglia), 16(1), 37. https://doi.org/10.1186/s130