Speaker
Description
L’implementazione di protocolli a bassa dose per la Tomografia Computerizzata (Low-Dose Computed Tomography, LDCT) riveste oggi un ruolo fondamentale per ridurre l’esposizione del paziente alle radiazioni ionizzanti, mantenendo al contempo un’adeguata qualità diagnostica delle immagini. Questo aspetto è particolarmente rilevante in contesti quali lo screening del tumore polmonare, dove un ampio numero di individui potenzialmente sani viene sottoposto all’esame, nell’endoscopia virtuale, in cui l’acquisizione CT sostituisce procedure endoscopiche tradizionali, e nell’imaging pediatrico, dove la minimizzazione della dose è di primaria importanza a causa della maggiore radiosensibilità dei pazienti. Tuttavia, la riduzione della dose comporta un significativo aumento del rumore nelle immagini, dovuto alla relazione inversa tra il rumore e la radice quadrata della dose erogata. Questo può compromettere la visibilità di strutture patologiche di piccole dimensioni e a basso contrasto, come i noduli polmonari.
Per affrontare questo problema, il nostro gruppo ha sviluppato un modello basato su Deep Learning: una U-Net based Convolutional Autoencoder costituita da un’architettura convoluzionale a quattro livelli, arricchita con caratteristiche tipiche delle U-Net per favorire la preservazione dei dettagli anatomici nelle immagini ricostruite.
A causa della limitata disponibilità di dati clinici accoppiati a dose bassa e standard, il modello è stato addestrato mediante una strategia in due fasi. Nella prima fase sono state utilizzate esclusivamente immagini del fantoccio commerciale Catphan acquisite a diverse dosi, consentendo alla rete di apprendere i pattern fisici del rumore CT in un ambiente controllato. Nella seconda fase questa conoscenza preliminare viene sfruttata tramite Transfer Learning per adattare il modello al contesto clinico. In particolare, l’architettura viene inizializzata con i pesi della prima fase e riaddestrata per un numero limitato di epoche utilizzando un dataset clinico estremamente ridotto, costituito da un singolo esame CT, la cui controparte a bassa dose è ottenuta mediante aggiunta sintetica di rumore.
Nonostante l’utilizzo minimo di dati clinici, il modello risulta efficace nel denoising di immagini LDCT del torace, operando in diverse condizioni di rumore e su dati provenienti da scanner di vendor differenti. Sul test set di immagini LDCT cliniche, il metodo raggiunge in media un fattore di riduzione del rumore pari a 3.4. Inoltre, una valutazione qualitativa condotta da due radiologi esperti dell’Ospedale Cisanello di Pisa ha evidenziato un miglioramento della qualità percepita delle immagini, con una maggiore visibilità delle strutture anatomiche polmonari e delle eventuali strutture patologiche.