Le réseau neuronal génère des images de ventilation pulmonaire à partir de tomodensitogrammes

L'intégration d'images de ventilation dans les plans de radiothérapie pour traiter le cancer du poumon pourrait réduire l'incidence des lésions pulmonaires radio-induites débilitantes, telles que la pneumonite radique et la fibrose radique. Plus précisément, l'imagerie de ventilation peut être utilisée pour adapter les plans de radiothérapie afin de réduire la dose aux poumons à haut fonctionnement.

La tomographie par émission de positrons (TEP) et la tomodensitométrie d'émission monophotonique (SPECT) sont l'étalon-or de l'imagerie de la ventilation. Cependant, ces modalités ne sont pas toujours facilement disponibles et le coût de ces examens peut être prohibitif. À ce titre, les chercheurs étudient la faisabilité d'alternatives telles que l'imagerie de ventilation MR ou CT.

L'imagerie de ventilation CT (CTVI) utilise une tomodensitométrie 4D de planification de traitement pour estimer la ventilation dans les poumons. Les CTVI conventionnels reposent sur l'enregistrement d'image déformable (DIR) des phases respiratoires d'inspiration et d'expiration d'un 4D-CT et sur l'application d'une métrique de ventilation pour estimer la ventilation. Le principal avantage de cette approche est que les images CT sont généralement disponibles à partir des examens effectués pour la planification du traitement, réduisant ainsi le temps clinique et les coûts associés à l'imagerie de ventilation en médecine nucléaire.

Les chercheurs du Université de Sydney a récemment étudié l'utilisation de l'apprentissage automatique comme alternative aux méthodes basées sur DIR pour produire des CTVI. Ils ont généré avec succès des CTVI à partir de paires d'images CT en apnée (BHCT) en 10 s, à l'aide d'un ordinateur portable et sans avoir besoin de mesures DIR ou de ventilation. Leurs réalisations, décrites dans Physique médicale, a produit des mesures de performance comparables aux méthodes conventionnelles basées sur DIR.

Auteur principal James Grover des Institut ACRF Image X et ses collègues ont examiné des paires d'images BHCT inhalées et expirées et des ensembles d'images TEP Galligas (aérosol Ga-68) correspondants pour 15 patients atteints d'un cancer du poumon inscrits dans une précédente étude CTVI. Ils ont choisi Galligas PET comme modalité d'imagerie de référence car il offre une résolution et une sensibilité plus élevées que la ventilation SPECT, fournissant ainsi des images haute résolution pour entraîner l'algorithme d'apprentissage en profondeur.

Grover et ses collègues ont formé un réseau neuronal convolutif de style U-Net 2D pour produire des CTVI axiaux, qui ont ensuite été assemblés pour fournir une carte de ventilation 3D des poumons du patient. Les images d'entraînement d'entrée consistaient en des images d'expiration, d'inspiration et de BHCT moyennes. Le réseau de neurones a établi des relations entre ces images BHCT d'entrée axiale et les images TEP Galligas étiquetées axiales. L'équipe a utilisé une validation croisée octuple pour mesurer la robustesse et augmenter la validité des résultats obtenus par le réseau de neurones.

Les chercheurs ont évalué qualitativement les CTVI produits par le réseau neuronal par comparaison visuelle avec les images de ventilation TEP Galligas. Ils rapportent que les CTVI avaient tendance à surestimer systématiquement la ventilation dans les poumons par rapport aux images TEP de Galligas. Chaque coupe CTVI axiale présentait une douceur entre les régions de ventilation faible, moyenne et élevée, ce qui a entraîné des difficultés à prédire les petites poches de ventilation élevée et faible dans le poumon. Dans les plans coronal et sagittal, les cartes de ventilation montraient des bords dentelés distincts dans la direction supérieure-inférieure.

Pour l'analyse quantitative, l'équipe a calculé la corrélation de Spearman et le coefficient de similarité Dice (DSC) entre l'image CTVI et Galligas PET de chaque patient. Le DSC a mesuré le chevauchement spatial entre trois sous-volumes pulmonaires égaux, correspondant aux poumons à haut, moyen et bas fonctionnement, tels que définis par la ventilation.

La corrélation moyenne de Spearman pour les 15 patients était de 0.58 ± 0.14 (allant de 0.28 à 0.70), tandis que les DSC moyens sur les poumons à haut, moyen et faible fonctionnement étaient de 0.61 ± 0.09, 0.43 ± 0.05 et 0.62 ± 0.07, respectivement, avec un DSC moyen de 0.55±0.06. L'équipe note que ces résultats sont comparables à des études antérieures sur la génération de CTVI.

Les chercheurs pensent que les corrélations plus faibles observées pour certains patients sont en partie dues à l'utilisation d'un petit ensemble de données de patients pour former le réseau neuronal. Ils suggèrent que l'utilisation d'un réseau de neurones 3D augmenterait la corrélation de Spearman et le DSC, car le modèle serait capable d'apprendre à partir d'un volume complet de patient au lieu de tranches individuelles.

"Nous prévoyons d'acquérir des images de ventilation de patients à l'aide d'un scanner TEP corps entier afin d'avoir la vérité terrain de la plus haute qualité avec laquelle développer les algorithmes CTVI", déclare Paul Keal, directeur de l'Institut ACRF Image X. « Nous espérons également étendre nos enquêtes sur les CTVI au-delà de la radiothérapie du cancer du poumon pour utiliser le CTVI comme aide à la décision pour la planification chirurgicale et les premières enquêtes sur les biomarqueurs dans une gamme de maladies respiratoires.

Le poste Le réseau neuronal génère des images de ventilation pulmonaire à partir de tomodensitogrammes apparaît en premier sur Monde de la physique.

• Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
• Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
• CryptoHawk. Radar Altcoins. Essai gratuit.
• Source : https://physicsworld.com/a/neural-network-generates-lung-ventilation-images-from-ct-scans/