بازسازی تصاویر پیشرفته پزشکی از روی اسکن‌های رایج CT برای تشخیص دقیق‌تر سرطان مری
به گزارش خبرگزاری آنا، اسکن PET به دلیل هزینه‌بر بودن، وابستگی به رادیوداروی سیکلوترونی، محدودیت دستگاه‌ها و دوز تابش، همواره در دسترس همه بیماران نیست؛ در حالی که اسکن CT بسیار رایج‌تر و ارزان‌تر است.
این چالش بالینی، محققان دانشگاه علوم پزشکی ایران را بر آن داشت تا با بهره‌گیری از یادگیری عمیق، امکان بازسازی اطلاعات متابولیک و عملکردی PET را از روی تصاویر در دسترس CT بررسی کنند.
این پژوهش با عنوان «توسعه مدل یادگیری عمیق برای تولید تصاویر PET مصنوعی از داده‌های CT در تشخیص سرطان مری» به سرپرستی دکتر نگیسا سیدی و با مشارکت تیمی از متخصصان مجرب از جمله دکتر پیمان شیخ‌زاده، دکتر نویسا سیدی، دکتر فاطمه سبکتکین و دکتر ابوالقاسم گرجی به سرانجام رسیده است.
دکتر نگیسا سیدی درباره جزئیات این طرح گفت: این پژوهش با تمرکز بر تلفیق علوم کامپیوتر و انفورماتیک پزشکی شکل گرفته و تیم ما با دغدغه‌های تخصصی و مشترک در زمینه توسعه ابزار‌های هوشمند بالینی برای بهینه‌سازی فرآیند‌های تشخیصی سرطان مری فعالیت کرده است. نوآوری این کار در تمرکز بر یک پاتولوژی خاص و بالینی با چالش بالا به جای مدل‌های عمومی مغز یا قلب است.
وی با اشاره به مراحل اجرای این طرح افزود: پس از پالایش داده‌های ۴۳ بیمار و حذف آرتیفکت‌های شدید، تقسیم‌بندی داده‌ها به‌صورت کاملاً بیمار-محور شامل ۳۰ بیمار آموزش، ۶ بیمار اعتبارسنجی و ۷ بیمار آزمون انجام شد تا از نشت داده (Data Leakage) جلوگیری شود.
این پژوهشگر حوزه انفورماتیک پزشکی ادامه داد: بنا براین دو معماری پیشرفته یادگیری عمیق شامل Pix۲Pix GAN (مجهز به تابع زیان وزن‌دهی‌شده برای نقاط داغ) و Conditional Denoising Diffusion Probabilistic Model (با شبکه U-Net چهارسطحی و بلوک‌های FiLM) پیاده‌سازی و مقایسه شدند.
وی همچنین گفت: این پژوهش با همکاری نزدیک بخش پزشکی هسته‌ای مجتمع بیمارستانی امام خمینی (ره) و گروه‌های انفورماتیک، فیزیک پزشکی و پزشکی هسته‌ای انجام شد و تامین دادگان DICOM واقعی بیماران، اعتبارسنجی تصاویر توسط متخصصان و حمایت‌های معاونت تحقیقات و فناوری دانشگاه، نقش اساسی در به سرانجام رسیدن آن داشت.
سیدی درباره نتایج ارزیابی مدل‌ها تصریح کرد: نتایج کمی ما نشان داد که مدل Pix۲Pix از نظر وضوح ساختاری و شاخص‌های کلی (PSNR = ۲۹.۱۹ dB و SSIM = ۰.۹۵) قوی‌تر عمل کرد، در حالی که مدل Diffusion در انطباق فضایی و شاخص Dice تومور عملکرد نسبتاً بهتری داشت (Dice = ۰.۳۳ در برابر ۰.۱۰).
وی یادآور شد: خروجی فعلی این طرح یک «مطالعه مقدماتی توسعه مدل» است و تصاویر PET مصنوعی تولیدشده در وضعیت کنونی نباید به عنوان جایگزین قطعی PET واقعی در تصمیم‌گیری‌های بالینی روزمره استفاده شوند و برای ورود به بالین به مراحل تکمیلی نیاز دارند.
این پژوهشگر با تاکید بر اینکه هدف نهایی این پژوهش رفع موانع درمان است، درباره دستاورد‌های بلندمدت این فناوری گفت: این دستاورد در بلندمدت و با توسعه نسل‌های بعدی می‌تواند تحولی در کاهش هزینه‌ها و تسهیل دسترسی بیماران مبتلا به سرطان ایجاد کند که از جمله مهم‌ترین آنها می‌توان به کاهش هزینه‌های سرسام‌آور تشخیصی برای مناطق کمتربرخوردار، تسریع روند درمان و کاهش زمان انتظار بیماران، و ارائه یک ابزار کمکی به پزشکان معالج برای بازبینی دقیق‌تر نواحی مشکوک روی تصاویر روتین CT پیش از ارجاع قطعی به تصویربرداری‌های هسته‌ای گران‌قیمت اشاره کرد.
وی در پایان ضمن درخواست از مسئولان برای تامین امکاناتی نظیر زیرساخت‌های محاسباتی، ایجاد بانک‌های داده استاندارد و متمرکز بالینی، و حمایت از مطالعات آینده‌نگر و کلینیکال تریال فناوری‌های هوش مصنوعی، خاطرنشان کرد: برنامه‌ها و اهداف آینده پژوهشی ما شامل اعتبارسنجی خارجی و آینده‌نگر روی دادگان سایر مراکز، ارزیابی بالینی توسط متخصصان (Reader Study) و گسترش این معماری‌ها برای سایر سرطان‌های گوارشی و ریوی است و امیدواریم با حمایت معاونت تحقیقات و فناوری دانشگاه، بتوانیم این استارتاپ و دستاورد‌های پژوهشی را به محصولات نرم‌افزاری کاربردی در بالین بیمار تبدیل کنیم.
انتهای پیام/