Ricostruzione delle immagini in tomografia computerizzata
La ricostruzione delle immagini nella tomografia computerizzata (TAC) avviene attraverso software informatici che utilizzano sofisticati algoritmi, che elaborano i dati grezzi ottenuti dalla macchina per produrre le immagini finali esaminate dai radiologi. Questi metodi sono essenziali per ottimizzare la qualità visiva delle immagini, consentendo una diagnosi accurata, cercando di limitare la dose di radiazioni a cui il paziente viene esposto.
Esistono principalmente due parametri che influenzano negativamente sulla qualità delle immagini TAC:
- Rumore: si riferisce a perturbazioni indesiderate che compromettono la chiarezza dell’immagine, manifestandosi sotto forma di pixel (o voxel) più scuri o più chiari del previsto, a causa di variazioni casuali nell’intensità del segnale. Purtroppo ridurre il rumore ha un costo in termini di dose di radiazioni ionizzanti, infatti maggiore è l’intensità del fascio radiante e minore il livello di rumore che si osserva nell’immagine.
- Artefatti: queste anomalie, rappresentate da immagini false o distorte, sono causate da una serie di errori durante le fasi di acquisizione o di post-elaborazione dei dati. Esempi comuni includono errori nell’elaborazione dei dati da parte del software, influenze esterne sui raggi X come gas o metallo, e movimenti del paziente durante la scansione. Risolvere gli artefatti è essenziale per garantire che le immagini riflettano accuratamente le strutture interne del corpo e ridurre possibili ambiguità diagnostiche.
Ieri, gli approcci analitici
Dalla nascita della tomografia assiale computerizzata (TAC), gli approcci analitici hanno giocato un ruolo cruciale nel processo di ricostruzione delle immagini degli ultimi decenni. Le prime tecniche introdotte facevano uso della retroproiezione (back projection), basato sull’antitrasformata di Radon.
La trasformata di Radon è un metodo matematico che converte una immagine bidimensionale (2D) in una serie di proiezioni monodimensionali ottenute da diverse angolazioni , esattamente quello che succede durante una scansione TC, quando una serie di raggi X attraversano il corpo e si proiettano sui detettori da diverse angolazioni.
Quello che si produce è un sinogramma, una rappresentazione visiva delle misurazioni di attenuazione dei raggi X. Successivamente, i dati del sinogramma vengono retroproiettati lungo i percorsi dei raggi X originali e sommando le informazioni raccolte dalle diverse proiezioni si genera un’immagine dell’oggetto iniziale.
La back projection era computazionalmente poco esigente ma presentava una maggiore propensione agli artefatti e una qualità limitata rispetto agli standard attuali. Per affrontare queste sfide, sono state introdotte le ricostruzioni di seconda generazione, che prevedevano l’applicazione di filtri ai dati grezzi, prima del processo di ricostruzione (filtered-back projection).
La funzione dei filtri è quella di rimuovere parte del rumore dal sinogramma prima che venga ricostruito, mitigare alcuni artefatti, aumentare la nitidezza ed il contrasto delle immagini. La filtered back projection è in assoluto la tecnica che è stata più utilizzata per ricostruire le immagini TAC fino alla comparsa dei nuovi algoritmi iterativi.
Oggi, gli approcci algebrici
Le ricostruzioni basate sugli algoritmi iterativi rappresentano un’innovazione recente che consentono di ridurre il rumore e minimizzare gli artefatti, favorendo una riduzione della dose di radiazioni fino a oltre il 70% rispetto ai classici metodi di FBP, mantenendo la qualità delle immagini inalterata. D’altra parte richiedono anche un notevole dispendio di risorse computazionali e tempo maggiore per generare le immagini finali. I modelli basati su algoritmi iterativi funzionano in questo modo:
- Generazione dell’immagine iniziale: il sinogramma viene retroproiettato per ottenere l’immagine TAC.
- Calcolo delle proiezioni simulate: l’immagine creata viene a sua volta usata per generare nuove proiezioni (forward projection), questa volta artificiali o simulate, che vengono confrontate con le prime ottenute durante la scansione.
- Calcolo dell’errore: Viene calcolato l’errore tra le proiezioni simulate e quelle effettivamente misurate
- Modifica dell’immagine. L’immagine TAC corrente viene quindi modificata in base all’errore calcolato. Questa modifica può coinvolgere aggiustamenti dei valori dei pixel o l’applicazione di filtri per migliorare la qualità dell’immagine.
- Iterazione: Questi passaggi vengono ripetuti iterativamente fino a quando non si raggiunge una condizione di arresto predeterminata, come il raggiungimento di una determinata tolleranza di errore o un numero massimo di iterazioni.
- Convergenza: Il processo continua fino a quando l’immagine ricostruita convergerà ad un risultato stabile e accettabile, dove l’errore tra le proiezioni simulate e quelle misurate è minimo. In generale più numerosi sono gli step di approssimazione, a discapito di tempo e potenza computazionale, maggiore sarà la qualità dell’immagine risultante.
Domani, l’intelligenza artificiale
Le ricostruzioni basate sull’intelligenza artificiale (IA) rappresentano l’ultima frontiera e molto probabilmente il futuro delle tecniche di ricostruzione in TAC. Il loro approccio si basa sul meccanismo delle reti neurali e dell’apprendimento profondo (deep learning) ispirate al funzionamento del cervello umano e dei suoi neuroni.
Le reti neurali possono essere addestrate per ricostruire immagini da dati grezzi provenienti da TAC a dose molto bassa, oppure acquisiti con meno proiezioni (sparse sampling). Possono anche essere addestrate per filtrare il rumore indesiderato e riconoscere e correggere eventuali artefatti, raggiungendo risultati paragonabili alle tecniche iterative.
Il principale punto di forza delle ricostruzioni basate sull’IA è il risparmio di tempo e potenza computazionale. Sebbene richiedano un intenso addestramento iniziale, una volta completato questo processo, la richiesta di risorse è inferiore rispetto alle tecniche iterative. È evidente che questa nuova frontiera rappresenti il futuro dell’imaging medico. Tuttavia, è essenziale valutarne l’efficacia e la sicurezza attraverso la validazione con studi e analisi cliniche, garantendo così la sua affidabilità e applicabilità nell’ambito clinico.
Willemink MJ, Noël PB. The evolution of image reconstruction for CT-from filtered back projection to artificial intelligence. Eur Radiol. 2019 May;29(5):2185-2195. doi: 10.1007/s00330-018-5810-7. Epub 2018 Oct 30. PMID: 30377791; PMCID: PMC6443602.
