هوش مصنوعی ممکن است امکان اصلاح پت اسکن مغز را بدون تصاویر سی‌تی‌اسکن فراهم کند

به گزارش بهداشت نیوز، این فناوری می‌تواند تصویربرداری پت را ساده کند، قرار گرفتن در معرض تابش را کاهش دهد و استفاده از اسکنرهای پت را در محیط‌هایی که تصاویر سی‌تی‌اسکن در دسترس نیستند، گسترش دهد.

چرا اسکن‌های پت نیاز به اصلاح دارند

«توموگرافی انتشار پوزیترون» یا پت (PET) یک تکنیک تصویربرداری قدرتمند است که به پزشکان کمک می‌کند تا نحوه عملکرد اندام‌ها و بافت‌ها را تجسم کنند. در اختلالات مغزی مانند صرع، اسکن‌های پت می‌توانند الگوهای غیرطبیعی متابولیسم گلوکز را که ممکن است در تصویربرداری معمولی قابل مشاهده نباشند، آشکار کنند.

با این حال، تصاویر خام پت حاوی خطاهایی هستند که ناشی از دو پدیده فیزیکی به نام تضعیف و پراکندگی هستند. این اثرات می‌توانند باعث شوند برخی از مناطق به طور مصنوعی روشن‌تر یا کم‌نورتر به نظر برسند و دقت تشخیصی را کاهش دهند. به طور سنتی، اسکنرهای پت برای اصلاح این تحریفات به سی‌تی ‌اسکن همراه متکی هستند.

سی‌تی اسکن  قرار گرفتن در عرض تابش را افزایش می‌دهد و همیشه در سیستم‌های تخصصی پت مغز یا اسکنرهای پت/ام‌آرآی در دسترس نیستند.

آنچه پژوهشگران انجام دادند

تیم تحقیقاتی اسکن‌های سی‌تی‌/پت مغز را از ۱۲۵ بیمار مبتلا به صرع که با استفاده از ردیاب رادیواکتیو فلورودئوکسی گلوکز (^18F-FDG) تحت تصویربرداری قرار گرفته بودند، تجزیه و تحلیل کردند. آنها دو مدل یادگیری عمیق - یک مدل U-Net و یک شبکه رقابتی مولد شرطی (CGAN) - را آموزش دادند تا تصاویر پت اصلاح نشده را مستقیماً به تصاویر اصلاح شده تبدیل کنند.

برخلاف روش‌های معمول که به داده‌های سی‌تی اسکن نیاز دارند، مدل‌های هوش مصنوعی یاد گرفتند که فقط با استفاده از خود تصویرهای پت اصلاح تضعیف و پراکندگی را انجام دهند.

برای ارزیابی دقت، محققان ۸۳ ناحیه مغز را بررسی و ۱۹ ویژگی رادیومیک مختلف را در هر ناحیه اندازه‌گیری کردند. آنها همچنین از پزشکان پزشکی هسته‌ای خواستند تا کیفیت تصویر را ارزیابی کنند.

یافته‌های این مطالعه

هر دو مدل هوش مصنوعی تصاویر پت اصلاح شده‌ای تولید کردند که با تصاویر استاندارد اصلاح شده با سی‌تی که در عمل بالینی استفاده می‌شوند، مطابقت نزدیکی داشتند. مدل CGAN در چندین اندازه‌گیری کیفیت تصویر، در مجموع کمی بهتر از مدل U-Net عمل کرد.

نکته مهم این است که اکثر ویژگی‌های تصویربرداری کمی حفظ شدند. از بین ۱۵۷۷ مقایسه ویژگی‌های رادیومیک، تنها بخش کوچکی از آنها تفاوت‌های آماری معنی‌داری با تصاویر مرجع نشان دادند. این نشان می‌دهد که اسکن‌های تولید شده توسط هوش مصنوعی، بخش زیادی از اطلاعاتی را که پزشکان برای تشخیص و تحقیق استفاده می‌کنند، حفظ کرده‌اند.

پزشکانی که تصاویر را بررسی کردند، کیفیت بصری قوی و قابلیت تشخیص خوب ضایعه را برای هر دو رویکرد هوش مصنوعی گزارش کردند.

چرا این موضوع مهم است

اگر این فناوری در مطالعات بزرگتر اعتبارسنجی شود، می‌تواند چندین مزیت بالقوه ارائه دهد:

* کاهش قرار گرفتن در معرض تابش با حذف نیاز به تصحیح مبتنی بر سی‌تی در برخی موقعیت‌ها.

* گردش کار تصویربرداری سریع‌تر.

* دسترسی بهبود یافته به تصویربرداری پت در مراکزی که فاقد اسکنرهای مجهز به سی‌تی هستند.

* پشتیبانی بهتر از سیستم‌های اختصاصی پت اسکن مغز و اسکن‌کننده‌های پت‌/ام‌آرآی که به دست آوردن تصحیح مبتنی بر سی‌تی در آنها می‌تواند دشوار باشد.

این یافته‌ها همچنین نشان می‌دهند که چگونه هوش مصنوعی می‌تواند وظایف پیچیده پردازش تصویر را انجام دهد که به طور سنتی نیاز به داده‌های تصویربرداری اضافی و روش‌های تصحیح محاسباتی فشرده دارند.

زمینه تخصصی

پژوهشگران چندین سال است که در حال بررسی تصحیح تضعیف و پراکندگی مبتنی بر هوش مصنوعی هستند. مطالعات قبلی نشان داده بودند که سیستم‌های یادگیری عمیق می‌توانند مستقیماً تصاویر پت اصلاح‌شده را از اسکن‌های اصلاح‌نشده تولید کنند و مطالعه جدید شواهد بیشتری ارائه می‌دهد که این روش‌ها می‌توانند اطلاعات مهم بالینی را ضمن حفظ کیفیت تصویر حفظ کنند.

محدودیت‌های مطالعه

این مطالعه گذشته‌نگر بود و شامل بیماران مبتلا به صرع از یک مرکز تصویربرداری واحد می‌شد. مدل‌ها به‌طور خاص بر روی اسکن‌های پت مغز با استفاده از یک ردیاب رادیویی آموزش داده شدند، بنابراین هنوز مشخص نیست که در سایر بیماری‌ها، نواحی بدن، پروتکل‌های تصویربرداری یا انواع اسکنر چقدر خوب عمل می‌کنند.

علاوه بر این، اگرچه تصاویر تولید شده توسط هوش مصنوعی شباهت زیادی به اسکن‌های اصلاح‌شده استاندارد داشتند، اما قبل از اینکه این فناوری به‌طور معمول در عمل بالینی به کار گرفته شود، مطالعات چندمرکزی بزرگ‌تری مورد نیاز خواهد بود.

خلاصه کلام

این مطالعه نشان می‌دهد که مدل‌های یادگیری عمیق می‌توانند بدون تکیه بر سی‌تی‌اسکن، تصاویر پت مغز را از نظر اثرات تضعیف و پراکندگی به‌طور دقیق اصلاح کنند. این رویکرد تصاویری تولید کرد که از نظر بصری و کمی شبیه به اسکن‌های پت اصلاح‌شده استاندارد بودند و مدل CGAN قوی‌ترین عملکرد را نشان داد. اگر مطالعات آینده این یافته‌ها را تأیید کنند، اصلاح مبتنی بر هوش مصنوعی می‌تواند به ایمن‌تر، در دسترس‌تر و کارآمدتر شدن تصویربرداری پت کمک کند.