Machine Learning & A.I per riduzione di dose

In questi ultimi anni non si sono sviluppati solo algoritmi software per la riduzione indiretta delle dosi nella TC, ma specialmente si stanno sviluppando machine learning e intelligenze artificiali incentrate a ridurre la dose di radiazione da TC.

Il Machine Learning è una branca dell’intelligenza artificiale che analizza dati complessi, riconosce schemi e trova relazioni. Oggi si pensa di applicare nel campo della radiologia per farle fare interpretazioni di immagini biomediche, assistendo radiologi, oncologi e fisici medici.

Grazie al Machine learning possono essere studiati e messi a punto particolari protocolli per la ricostruzione e il post-processing TC.

L’idea che c’è dietro per ridurre le dosi di radiazione, è “allenare” un classificatore di immagini a mappare le immagini rumorose generate da protocolli TC per ultra bassa dose attraverso un deep learning.43

Un contributo fondamentale recentissimo è stato dato dalle CNN (Convolutional Neural Networks) ossia delle reti neurali convoluzionali, che è uno degli algoritmi più comuni per il deep learning, dove un modello computerizzato impara a svolgere attività di classificazione direttamente da immagini, video, suoni o altro. Spesso vengono usati per riconoscere oggetti, si chiamano convoluzionali poiché alle immagini in ingresso applica dei filtri convoluzionali dove ognuno di essi attiva determinate caratteristiche delle immagini44.

Il dottor Ryohei Nakayama dell’università di Ritsumekan ha creato una CNN creata con Matlab che viene addestrata attraverso un dizionario di immagini di vari pazienti con delle coppie di immagini di uno stesso organo, prese in modalità a bassa dose di riduzione. La CNN così sarà in grado di ricostruire un’immagine virtuale che ha l’equivalente qualità di un’immagine presa da esame TC in modalità dose normale, ma in realtà la dose utilizzata è al di sotto dello standard45.

51

Questo offre una formidabile riduzione di dose non indifferente, mantenendo però la qualità dell’immagine di ottimo livello.

Conclusioni

Il problema della riduzione di dose per il paziente che si sottopone a tomografia computerizzata può essere affrontato, grazie ad una serie di accorgimenti tecnici, hardware e software. I primi due sono dei mezzi di riduzione di dose diretta e abbiamo visto che in particolare per l’hardware la tecnologia dei rivelatori è sempre più avanzata e sta raggiungendo i suoi limiti di efficienza, essi si dividono in due grandi categorie: i metodi di gestione dell’intensità di corrente di tubo e l’uso di tecnologia dell’ EID (Energy Integrating Detector ) e del PCD (Photon Counting Detector) che nella tesi sono stati messi a confronto, risultando che i PCD sono migliori come prestazioni rispetto agli EID. Le tecniche software invece sono quelle che agiscono in modo indiretto poiché sono processi di ricostruzione immagine post – esposizione. Inoltre essendo che le immagini ricostruite sono soggetti a del “rumore” per poterlo attenuare sono stati sviluppati anche dei software adatti allo scopo e prendono il nome di processi di denoising. Altri tipi di software che sfruttano algoritmi come ad esempio quelli ibridi o quelli iterativi e nella tesi si mettono a confronto alcuni di questi algoritmi di varia natura evidenziandone pro e contro. Esistono anche dei metodi che fanno uso dell’Intelligenza Artificiale e del Machine Learning che riconoscono immagini e le classificano attraverso la creazione di una “mappa” del rumore generati da protocolli TC per dosi ultra basse. Quindi in conclusione il problema del ridurre le dosi di radiazioni da TC e di conseguenza diminuirne i rischi (senza lederne i benefici) trova diverse soluzioni di varia natura, e col passare del tempo tali soluzioni diverranno sempre più significative. In particolare il machine learning e l’intelligenza artificiale daranno un contributo alla risoluzione per il problema della riduzione di dose per TC, ancora più incisivo rispetto agli altri metodi.

52

Bibliografia

[1] “November 8, 1895 : Roentgen’s Discovery of X-Rays” American Physical Society Sites; Novembre 2001; Vol.10: numero 10 .

[2] Wong V S S, Tan S Y “Wilhelm Conrad Röntgen (1845-1923): a light in the dark” Singapore Med J 2009; 50(9) : 851.

[3] D. Panetta , Advances inX-Ray detectors for clinical and preclinical Computed Tomography, Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 809:2–12, 2016.

[4] Comprehensive Biomedical Physics, Radiation Protectionand Dosimetry in X-Ray Imaging a cura di Daniele Panetta, CNR Institute of Clinical Physiology, Pisa, Italy, © Elsevier, 2014;Vol.2, cap.3.

[5] W. A. Kalender. Computed Tomography: Fundamentals, System Technology,

Image Quality, Applications. Computed Tomography: Fundamentals,System Technology, Image Quality, Applications,3a ed., Germania:Publicis, 2011.

[6] C. Fiorentini. Denoising techniques for low dose computed tomography imaging. Tesi di laurea magistrale in fisica medica, università di Pisa, facoltà di fisica, 2017, D. Panetta.

[7] Laitano, Fedele R., Fondamenti di dosimetria delle radiazioni ionizzanti, pag.19, 3a edizione,

Roma, ENEA (Agenzia Nazionale per le Nuove Tecnologie, l’Energia e lo sviluppo Economico sostenibile), 2013.

[8] Raccomandazioni 2007 della Commissione Internazionale per la Protezione Radiologica,

Pubblicazione ICRP 103, pag. 65

[9] Comprehensive Biomedical Physics, Radiation Protectionand Dosimetry in X-Ray Imaging,, a

cura di, EM Ferdeghini CNR Institute of Clinical Physiology, Pisa, Italy, © Elsevier, 2014, Vol.2, cap.10.

[10] Associazione Italiana Fisici Medici - AIFM - Tomografia Computerizzata:Descrizione e misura dei parametri caratteristici, 2à edizione, n.4, 2007.

https://www.fisicamedica.it/sites/default/files/documenti/2007_n4_ReportAIFM.pdf

[11] Rehani M. M.. Radiation effects and risks overview and a new risk perception index. Radiation Protection Dosimetry, 2015; pp. 1-3.

[12] (https://www.cancer.org/cancer/cancer-basics/lifetime-probability-of-developing-or-dying-from- cancer.html

[13] Picano E.. Rischio-Beneficio nella diagnostica per immagini: impatto dell’utilizzo di radiazioni ionizzanti. Il pensiero scientifico editore G Ital Cardiol 2008; 9 (12):v808-814.

53

[14] Rehani M.M.. Patient radiation exposure and dose tracking: aperspective”. J. Med. Imag. 4(3), 031206 (2017); doi: 10.1117/1.JMI.4.3.031206.

[15] Hu S.-Y., Hsieh M-S, Lin M.-Y., Hsu C-Y,Lin T.-C. How C.-K., Wang C.-Y., Tsai J.C.-H., Wu Y.-H. , Chang, Y-Z.Trends of CT utilisation in an emergency department in Taiwan: a 5-year retrospective study. BMJ Open, 2016.

[16] Ohana O, Soffer S. , Zimilchman E., klang E.. Overuse of CT and MRI in paediatric.

[17] Meng M.G., Gravel J, Légaré F. , Melnick E.R., Hess E. P., Wittema H.O.,Lelaidier-Hould L., Truchon C. , Sauvé L. Plante P., Le Sage N., Archambault P. M.. Head CT overuse in children with a mild traumatic brain injury within two Canadian emergency departments. Paediatrics & Child Health,2019.

[18] Andreassi, Maria Grazia, and Eugenio Picano. "Reduction of radiation to children: our responsibility to change." (2014): 135-137).

[19] Ohana O, Soffer S. , Zimilchman E., klang E.. Overuse of CT and MRI in pediatric emergency departments. The Authors. Published by the British Institute of Radiology , 2018. [20] https://www.iaea.org/publications/8930/radiation-protection-and-safety-of-radiation-sources- international-basic-safety-standards

[21] Jih-Kuei Y. e Chia-Hui C Estimated Radiation risk of Cancer from Dental Cone-Beam Computed Tomography Imaging in Orthodontic Patients. BMC Oral Health.(2018).

[22] McNitt-Gray M. F. Radiation Dose in CT.AAPM/RSNA Physics Tutorial.

for Residents: Topics in CT.Imaging & Therapeutic Technology:Radiographics, 2002; 22 (6):1541. [23] McCollough C.H., Bruesewitz M.R., Kofler J.M.. CT Dose Reduction and Dose ManagementTools: Overview of Available Options. Radiograpics, 2006; 26(2):503–512.

[24] Soderberg M., Gunnarsson M. Automatic exposure control in computed tomography – an evaluation of systems from different manufacturers. Informa UK Ltd, 2010.

[25] AAPM Working group on standardization of CT nomenclature and protocols. Radiant dose in CT . USA: 18/11/2013.

[26] 2003, Measurement of the performance characteristics of diagnostic X ray systems used in medicine. Report n.32 IPEM, - Parte III, :Computedi tomography X ray Scanners.-(II edizione) tradotto in italiano dalla AIFM:Gruppo di lavoro TC multistrato, 2007.

[27] Alrowily M., England A., Hogg. P. Effective dose comparison between fixed tube current FTC and automatic tube current ATC methods for abdominal CT examinations. 10.1594/ecr2017/B- 0139.

54

[28] Shefer E., Altman A. , Behling R., Goshen R., Gregorian L. , Roterman Y. , Uman I., Wainer N., Yagil Yoad, Zarchin O. State of the art of CT Detectors and Sources : A Literature Review. Curr radiol rep(2013) 1:76 – 91.

[29] Willemink M. J., Persson M., Pourmorteza A., Fleischmann D.. Photon - counting CT : Technical Principles and Clinical prospects.Radiology 2018; 289:293–312.

[30] V. Rosso, N. Belcari, M.G. Bisogni, et al, Preliminary study of the advantages of X-ray energy selection in CT imaging, Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, Volume 572, Issue 1, 2007, Pages 270-273, https://doi.org/10.1016/j.nima.2006.10.365.

[31] Gutjah R., Halaweish A.F., Yu Z., Leng S., Yu L., Li Z., JorgensenS.M., Ritman E. L., Kappler S., McCollough C. H. Human imaging with photon-counting-based CT at clinical dose levels: Contrast-to-noise ratio and cadaver studies.Invest Radiol. 2016 July ; 51(7): 421–42-

[32] Symons R., Pourmorteza A., Vandfort V, Ahlman M.A., Cropper T., Mallek M., Kappler S., Ulzheimer S., Mahesh M, Jones E.C., Malayeri A.A., Folio L. R., Bluemke D.A. . Feasibility of Dose-reducedChest CT with Photon-counting Detectors: Initial Results in Humans.Radiology, December 2017, 285: (3).

[33] Zhou W, Lane J.I. , Carlson M.L., Bruesewitz M.R., Witte R.J. , Koeller K.K , Eckel LJ., Carter R.E., McCollough C.H.. and Leng S. Comparison of a Photon-Counting-Detector CT with an Energy-Integrating-Detector CT for Temporal Bone Imaging: A Cadaveric Study. AJNR Am J Neuroradiol. Settembre 2018. 39:1733–38.

[34] Yu Z., Leng,S., Kappler S., Hahn K., Li Z., Halaweish A.F., Hennig A., McCollough C. H.Noise performance of low-dose CT:comparison between an Energy integrating detector and a photon counting detector using a whole-body research photon counting CT scanner Journal of Medical Imaging.14/11/ 2016,Journal of Medical Imaging.

[35] Symons R., Krauss B., Sahbaee P., Cork T.E., Lakshmanan M. N., Bluenke D.A., Pourmoteza A. Photon-counting CT for simultaneous imaging of multiple contrast agents in the abdomen: An in vivo study. 20/08/2017, National Center for Biotechnology Information.(U.S.).

[36] Mehta D., Thompson R., Morton T., Dhanantwari A., Shefer E.. Iterative Model Reconstruction: Simultaneously Lowered Computed Tomography Radiation Dose and Improved Image Quality. n.d. Medical Physics International Journal.

[37] Lombard C.,Gervaise A., Villani N., Louis M, Raymond A, Blum A, Teixeira P.A.G. The Impact of Dose Reduction in Quantitative Kinematic CT of Ankle Joints Using a Full Model-Based Iterative Reconstruction Algorithm: A Cadaveric Study.Febbraio 2018. AJR ; 210:396–403.

[38] Kataria B., Althén J.N., Smedby O, Persson A, Sockjer H, Sandborg M,. Assessment of image quality in abdominal CT: potential dose reduction with model- based iterative reconstruction. 24/01/2018. Eur Radiol, 28:2464 -2473.

55

Performance evaluation of iterative reconstruction algorithms for achieving CT radiation dose reduction — a phantom study.Journal Of Applied Clinical Medical Physics. Novembre 2017;17(2). [40] Page L., Wei W., Kundra V., Rong J.X.. Dose reduction in CT urography and vasculature phantom studies using model-based iterative reconstruction. Journal Of Applied Clinical Medical Physics.2016; 17(6).

[41] Kawashima H., Ichikawa K, Matsubara K., Nagata K., Takata T., Kobayashi S.

Image. Quality evaluation of-based iterative reconstruction for CT: Comparison with hybrid iterative reconstruction. Journal Of Applied Clinical Medical Physics.2019.

[42] Li G., Liu X., Doodge C. T., Jensen C.T., Rong X J..A noise power spectrum study of a new model-based iterative reconstruction system: Veo 3.0. Journal Of Applied Clinical Medical Physics..2016; 17 (5).

[43] Lukhani et al. Machine Learning in Radiology: Applications Beyond Image Interpretation. American College of Radiology 2017.

[44] https://it.mathworks.com/solutions/deep-learning/convolutional-neural-network.html)

[45] Dr. Ryohei Nakayama, Using Deep Learning to Reduce Radiation Exposure Risk in CT Imaging. Mathworks Technical Articles and Newsletters.20/02/2020.

56

Ringraziamenti

Desidero ringraziare varie persone che mi hanno sostenuto, in vari modi, in questo mio percorso universitario, va a loro tutta la mia gratitudine. Innanzitutto ringrazio il mio relatore: il dott. Daniele Panetta per la sua disponibilità, la sua gentilezza e per la sua impeccabile supervisione e

competenza, che mi ha permesso la stesura di questa tesi (qualunque errore in questa tesi è però, naturalmente, sotto la mia responsabilità).

Un sentito ringraziamento va alla mia famiglia che mi ha sostenuto in questi anni sia

economicamente che moralmente, sia per questo percorso di Laurea Magistrale che per quello di primo livello.

Ringrazio Valentina, Valeria e Marisa per avermi, in questi anni passati a Pisa, sostenuto moralmente.

Approfitto per ringraziare infine, ma non meno importante, il mio amico Samuele per tutti i consigli e il sostegno che mi ha dato in questi anni di università.