Nel settore in continua espansione dell'imaging medicale, la qualità delle immagini cliniche gioca un ruolo cruciale nel permettere diagnosi accurate e migliorare la cura del paziente. Mentre la tecnologia continua ad evolversi, l'imaging molecolare è emerso come uno strumento potente nell'arsenale dei medici. Consente la visualizzazione non invasiva dei processi cellulari e molecolari all'interno del corpo umano, aprendo nuove frontiere per il rilevamento delle malattie, la diagnosi, la pianificazione e il monitoraggio del trattamento.
Come è evoluta la qualità dell'immagine nell'imaging molecolare
Nel corso degli anni, il miglioramento della qualità dell'immagine nelle modalità di imaging molecolare come la PET/TC e la SPECT/TC ha permesso ai medici di ottenere informazioni più accurate e dettagliate, rivoluzionando la pratica clinica e contribuendo a migliorare gli esiti per i pazienti.
Le annose sfide dell'imaging molecolare
La qualità dell'immagine ha sempre rappresentato una sfida significativa per l'imaging molecolare. Gli scanner PET/TC e SPECT/TC hanno rivoluzionato l'imaging diagnostico con la loro capacità di visualizzare la fisiologia all'interno del corpo e fornire informazioni funzionali su tessuti, organi e lesioni. Tuttavia, la qualità dell'immagine può essere influenzata da vari fattori, tra cui le specifiche tecniche del dispositivo di imaging, come la risoluzione spaziale o la nitidezza dell'immagine, il contrasto e il rumore.[1] Altri fattori dipendono dal paziente e dalla localizzazione dell'organo. Un paziente con una corporatura più grande può amplificare l'impatto dei fotoni dispersi e un organo situato in profondità all'interno del corpo può essere ostruito da tessuti sovrapposti, portando a uno scarso contrasto. Qualsiasi movimento del paziente o dell'organo durante una scansione può inoltre contribuire ad una perdita della qualità complessiva dell'immagine. A complicare ulteriormente il quadro, qualsiasi miglioramento in una delle aree che influiscono sulla qualità dell'immagine viene solitamente ottenuto a scapito di un'altra.
I progressi tecnologici hanno portato a un miglioramento complessivo della qualità dell'imaging diagnostico. Detettori digitali avanzati, con sensibilità e gamma dinamica migliorate, sono in grado di catturare più fotoni emessi dai radiotraccianti, migliorando il rapporto segnale-rumore. Questo ha permesso di ottenere immagini più nitide che consentono ai medici di discernere piccoli dettagli e lievi anomalie, ma anche di ridurre il tempo di scansione o la dose al paziente.
GE HealthCare, pioniere nell'imaging molecolare, ha innovato il design del suo detettore PET/TC per offrire un'alta risoluzione e una maggiore sensibilità. Quest'ultima è un fattore importante nell'imaging PET/TC dal momento che consente tempi di scansione rapidi e la possibilità di ridurre la dose iniettata al paziente.
In SPECT/TC, le innovazioni che utilizzano il tellururo di cadmio e zinco (CZT) consentono ai potenti detettori digitali di raggiungere un'eccezionale risoluzione energetica e spaziale e il giusto equilibrio tra sensibilità e risoluzione per una qualità dell'immagine ottimizzata. Migliorando la risoluzione spaziale e riducendo il rumore, le moderne tecnologie di imaging molecolare possono fornire immagini più chiare e precise. Questo è di fondamentale importanza perché consente ai medici di distinguere tra tessuti normali e anormali con maggiore sicurezza e di migliorare le diagnosi.
L'importanza di intelligenza artificiale e deep learning
I progressi nell'intelligenza artificiale e nel deep learning si sono dimostrati particolarmente importanti per l'imaging diagnostico, principalmente per risolvere una serie di problemi di classificazione delle immagini.[2] Nell'imaging molecolare, questi progressi sono stati applicati con successo nell'ambito della ricostruzione dell'immagine e in particolare per il miglioramento della qualità dell'immagine.[3] Ad esempio, gli algoritmi di deep learning possono essere addestrati a generare con precisione immagini PET di alta qualità partendo da corrispondenti immagini rumorose a bassa dose.[4]
Leader nello sviluppo dell'IA nel settore sanitario, GE HealthCare ha creato un algoritmo di elaborazione delle immagini basato sul deep learning che viene addestrato con migliaia di immagini PET create utilizzando diversi metodi di ricostruzione, incluso il Time-of-Flight (TOF). Il software di deep learning può acquisire immagini di qualità già eccellente, generate utilizzando la tecnologia avanzata del detettore digitale di Omni Legend e migliorandone ulteriormente il rapporto contrasto-rumore.[5]
I benefici per i pazienti
Il miglioramento della qualità delle immagini cardiache permette di ottenere informazioni più dettagliate sulla struttura e sulla funzione del cuore e consente ai cardiologi di diagnosticare con precisione condizioni cardiovascolari tra cui la malattia coronarica, l’infarto del miocardio, l’insufficienza cardiaca e i tumori cardiaci. I progressi permettono di visualizzare piccole lesioni, aree con flusso sanguigno ridotto, anomalie sottili e la posizione e l'estensione precise delle malattie cardiovascolari. Possono anche essere di supporto ai medici per calcolare il rischio e determinare gli interventi più appropriati.
"Ci impegniamo a fornire soluzioni che permettano un'assistenza sanitaria di precisione", ha spiegato Levy. “La diagnostica di precisione è resa possibile dai miglioramenti della qualità dell'immagine che incidono sulla rilevabilità di piccole lesioni. GE HealthCare continuerà a investire nell'innovazione delle tecnologie PET e SPECT con particolare attenzione alle potenzialità dell’IA e del deep learning".
Immagine Cardiac 82Rb Omni Legend 32 cm (top row-stress, bottom row-rest )
Lungo il percorso di assistenza oncologica, il miglioramento della qualità delle immagini permette di rilevare lesioni e metastasi più piccole nelle prime fasi del cancro. L'imaging molecolare avanzato può fornire preziose informazioni sulle caratteristiche funzionali dei tumori, come la loro espressione del recettore o l'attività metabolica. Con una migliore qualità dell'immagine, queste caratteristiche possono essere visualizzate e quantificate in maniera ottimale, rendendo più precisi trattamento e monitoraggio.
Imaging teranostico, utilizzando sia la PET/TC digitale (diagnosi, stadiazione) che la SPECT/TC digitale (pianificazione e monitoraggio del trattamento)
Il cancro alla prostata è una delle neoplasie maligne più comuni che colpisono la popolazione maschile.[6],[7] Quando si trattano pazienti con radioterapia mirata, o teranostica, i medici eseguono l'imaging PET/TC mirato dell'antigene di membrana prostatico specifico (PSMA). Questa tecnica consente il rilevamento con alta sensibilità e specificità delle lesioni del cancro alla prostata. Migliorando la qualità dell'immagine, i medici possono identificare con precisione la posizione e l'estensione della malattia, definendo piani di trattamento altamente personalizzati.
CONTENUTI CORRELATI
- Ulteriori informazioni sulle soluzioni per la teranostica di GE HealthCare
- Ulteriori informazioni sui prodotti e le soluzioni di imaging molecolare di GE HealthCare
- Non perdere la nostra serie di 6 episodi sulla Teranostica. Guarda adesso
DISCLAIMER
Non tutti i prodotti o le funzionalità sono disponibili in tutte le aree geografiche. Verificare con il rappresentante locale GE HealthCare la disponibilità nel proprio paese.
Immagini cliniche per gentile concessione di 1.) Aizawa Hospital, Giappone, 2 e 3.) Rambam Medical Center, Prof. Zohar Keidar, e 4.) Professor Andrei Iagaru, Stanford University
RIFERIMENTI
[1] Vaquero JJ, Kinahan P. Positron Emission Tomography: Current Challenges and Opportunities for Technological Advances in Clinical and Preclinical Imaging Systems. Annu Rev Biomed Eng. 2015;17:385-414. doi: 10.1146/annurev-bioeng-071114-040723. PMID: 26643024; PMCID: PMC5299095.
[2] Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18(8):500-510. doi: 10.1038/s41568-018-0016-5. PMID: 29777175; PMCID: PMC6268174.
[3] Y. Wang, B. Yu, L. Wang, C. Zu, D.S. Lalush, W. Lin, et al.3D conditional generative adversarial networks for high-quality PET image estimation at low dose Neuroimage, 174 (2018), pp. 550-562
[4] Kaplan S, Zhu YM. Full-Dose PET Image Estimation from Low-Dose PET Image Using Deep Learning: a Pilot Study. J Digit Imaging. 2019 Oct;32(5):773-778. doi: 10.1007/s10278-018-0150-3. PMID: 30402670; PMCID: PMC6737135.
[5] Precision DL with Omni Legend 32 cm data improves Contrast Recovery (CR) by 11% on average and Contrast-to-Noise Ratio (CNR) by average of 23% as compared to non-ToF reconstruction. CR and CNR demonstrated using clinical data with inserted lesions of known size, location, and contrast. Using data from Omni Legend 32 cm, CR and CNR were measured using H-PDL and QCHD.
[6] https://www.who.int/news-room/fact-sheets/detail/cancer
[7] https://www.cancer.org/cancer/types/prostate-cancer/about/key-statistics.html
