نقش Fluoroscopy در روش های مداخله ای

Fluorوسکوپی تصویر برداری اشعه ایکس را در زمان واقعی فراهم می کند که طیف وسیعی از مداخلات حداقل تهاجمی را هدایت می کند، از قرار دادن های عروقی تا کاهش شکستگی ارتوپدی و سریع تر، توانایی تجسم کاتترها، دستورالعمل ها و عوامل کنتراست به عنوان حرکت از طریق بدن، درمان دقیق، هدفمند با برش های کوچکتر و زمان بهبودی سریعتر را فراهم می کند، با این حال، همان محدودیت های هوش مصنوعی را نیز باید با اطمینان کافی ارائه دهد.

مصنوعات و محدودیت های رایج در Fluorوسکوپی

تصاویر فلوروسکوپی به طور ذاتی توسط چندین عامل فیزیکی و عملی تخریب می شوند. درک این محدودیت ها برای قدردانی از جایی که AI می تواند بیشترین سود را ارائه دهد ضروری است.

صدای کوانتومی و نویز الکترونیکی

در سطوح پایین دوز، شار فوتون اشعه ایکس کاهش می یابد، که منجر به نویز کوانتومی می شود که به نظر می رسد به عنوان دانه های تصادفی در تصویر است.صدای الکترونیکی از آشکارساز بیشتر این اثر را ترکیب می کند.

مقایسه کم بین بافت های نرم

Fluoroscopy به تفاوت های کم اهمیت متکی است، اما بسیاری از بافت های نرم دارای ویژگی های جذب اشعه ایکس مشابه هستند، به عنوان مثال، متفاوت کردن یک رگ خونی از عضله اطراف یا چربی می تواند بدون عوامل کنتراست دشوار باشد. الگوریتم های تقویت کنتراست AI می توانند تفاوت های ظریف چگالی را تقویت کنند، و آناتومی را بدون تغییر دوز زیرکانه بیشتر کنند.

حرکت مصنوعات از بیمار یا تجهیزات

حرکت تنفسی، ضربان قلب و حرکات بیمار غیر ارادی باعث تار شدن و اختلال در اشتباه می شود، این به ویژه در طول مراحل طولانی مشکل است. جبران حرکت مبتنی بر AI می تواند برای جابجایی بر فریم به صورت فریم تخمین زده و تصحیح شود، تولید تصاویر پایدار که دقت هدف را بهبود می بخشد.

تجارت با کیفیت Dose-quality Trade

کاهش دوز اشعه هدف اصلی در رادیولوژی مداخله ای است، اما دوز پایین تر به طور اجتناب ناپذیری نسبت سیگنال به نویز را کاهش می دهد. کلینیک ها اغلب باید بین دوز بالاتر برای کیفیت تصویر بهتر یا دوز پایین تر با عدم اطمینان افزایش یابند. AI می تواند این تجارت را با بازسازی تصاویر با کیفیت بالا از خریدهای پر سر و صدا و کم دوز کاهش دهد.

تکنیک های ارتقاء تصویر AI-Driven

مدل های یادگیری عمیق، به ویژه شبکه های عصبی هم پیوسته (CNNs) و شبکه های عمومی مجاور (GANs)، برای تقویت فلوروسکوپی سازگار شده اند.این مدل ها نقشه برداری از تصاویر ورودی با کیفیت پایین به خروجی های با کیفیت بالا را با آموزش داده های جفت شده از تصاویر تجزیه و تحلیل و تمیز یاد می گیرند.

یادگیری عمیق آموزش و تحلیل سر و صدا

یکی از اولین و موفق ترین برنامه ها کاهش سر و صدا با استفاده از معماری های کدر است.(۱) A U-Net، به عنوان مثال، می تواند یک فریم ورک فلوری پر سر و صدا را با استفاده از یک نسخه برش زده شده از آن انجام دهد.[۲] آموزش های حقیقت زمین نیاز به تصاویر با دوز بالاتر یا استفاده از زمان نوردهی طولانی تر دارند، شبکه قلب می تواند در زمان واقعی اجرا شود، ارائه بازخورد فوری نشان داده است که می تواند به وضوح ۲-۲ برسد.

افزایش کنتراست و Edge شارپ شدن

مدل های AI همچنین می توانند کنتراست تصویر را با یادگیری توزیع سطوح خاکستری که با ویژگی های بالینی مرتبط است، افزایش دهند.برای مثال، GAN آموزش داده شده در فریم های فلوروسکوپی شریان های کرونر می تواند تصاویری را ایجاد کند که مرزهای کشتی به وضوح تعریف شده اند.این به ویژه هنگامی مفید است که غلظت های کم یدLT برای کاهش سمیت استفاده می شود. برخی از سیستم ها کنتراست را با کاهش نویز در یک الگوریتم چند منظوره بهبود می دهند.

حرکت با جریان نوری و AI

مصنوعات حرکتی را می توان با استفاده از الگوریتم های جریان نوری اصلاح کرد که سرعت هر پیکسلی بین فریم ها را برآورد می کند. AI می تواند این زمینه های جریان را با یادگیری الگوهای حرکتی معمولی در طول مداخلات اصلاح کند، به عنوان مثال، یک شبکه عصبی مکرر می تواند فریم بعدی را پیش بینی کند و تار حرکت را کاهش دهد، تولید یک توالی تثبیت شده است.

بازسازی Super-Resolution

برخی از سیستم های فلوروسکوپی در وضوح پایین برای کاهش تابش یا پردازش بار عمل می کنند. مدل های فوق العاده با وضوح بالا AI که توسط برنامه های کاربردی در CT و MRI الهام گرفته شده اند، می توانند تصاویر با وضوح بالاتر را از ورودی های با وضوح پایین تر بازسازی کنند.

مزایای بالینی و شواهد

ادغام AI در فلوروسکوپی بالینی هنوز در مراحل اولیه آن است، اما نتایج منتشر شده نشان دهنده بهبود قابل توجهی در دامنه های متعدد است.

بهبود کیفیت تصویر و اعتماد به نفس تشخیصی

مطالعات متعدد خوانندگان نشان داده اند که تصاویر حاوی فلوراید AI بیش از تصاویر استاندارد توسط مداخلاتیست ترجیح داده می شوند.در یک کارآزمایی چند مرکز 2022، 82٪ از پزشکان وسکوپی AI-enhanced را به عنوان برتر یا معادل تصویربرداری استاندارد در همان دوز، و میزان خرید اضافی غیر ضروری کاهش یافته توسط 30٪.

کاهش در معرض اشعه

موثرترین مزیت بالقوه برای کاهش دوز اشعه بیمار و کارکنان است.[۱] از آنجا که AI می تواند کیفیت تصویر قابل قبول را از تعداد پایین تر فوتون تولید کند، پروتکل ها می توانند تنظیم شوند تا دوز را بدون به خطر انداختن تصویر تنظیم کنند. مطالعه در مجله (FLT:1 رادیولوژی [F:2] دریافت که بازسازی مبتنی بر AI اجازه کاهش ۵۰٪ در کاهش وزنوسکوپی را دارد، در حالی که کیفیت تصویر ذهنی آن است.

پردازش زمان واقعی و ادغام گردش کار

موتورهای استنتاج هوش مصنوعی مدرن می توانند فریم های فلوروسکوپی با وضوح کامل را در کمتر از 30 میلی ثانیه پردازش کنند، که یکپارچگی یکپارچه را به جریان های تصویربرداری زنده می دهد.این اجازه می دهد تا تصاویر پیشرفته بدون تاخیر قابل تشخیص نمایش داده شوند، حفظ بازخورد زمانی پزشکان به عنوان یک فیلتر پس از پردازش پلاگین به جای نیاز به ارتقاء گسترده، استفاده شود.

کارایی عملیاتی

با کاهش سر و صدا و افزایش کنتراست، ابزارهای AI می توانند زمان های فرایند را کوتاه کنند. تعداد کمتری از خریدهای تکراری به معنای نیاز کمتر به تغییر، مدیریت متوسط کنتراست کمتر و کاهش کل قرار گرفتن در معرض تابش اشعه است.در روش های پیچیده مانند انتقال دهنده داخل لوله کش داخله (TIPS) ایجاد، راهنمای AI-enhanced با کاهش 15-20٪ در مدت زمان رویه ای همراه بوده است.

چالش های ادغام و مسیرهای آینده

علی رغم وعده، چندین مانع باید قبل از اینکه فلوروسکوپی تحت تاثیر هوش مصنوعی به عمل استاندارد تبدیل شود، برطرف شود.

تایید و تاییدیه

الگوریتم های AI که تصاویر بالینی را تغییر می دهند، دستگاه های پزشکی در اکثر حوزه های قضایی محسوب می شوند و نیاز به پاکسازی نظارتی دارند.این امر نه تنها کیفیت تصویر بلکه ایمنی را نیز خواستار است: الگوریتم نباید مصنوعاتی را معرفی کند که می تواند داده های آموزش کافی را از جمعیت و تنظیمات تجهیزات مختلف بیمار دریافت کند، یک تعهد غیر مناسب است.

قابلیت های عمومی در سراسر سیستم ها و تغییرات

یک مدل AI که در تصاویر از آشکارساز یک سازنده آموزش دیده است ممکن است به دلیل تفاوت در ویژگی های سر و صدا، به دست آوردن و پاسخ فرکانس فضایی ضعیف عمل کند.در حال توسعه الگوریتم های قوی است که با سخت افزار مختلف سازگار هستند یا می توانند در داده های خاص سایت به خوبی هماهنگ شوند، برخی از گروه ها طرفدار روش های یادگیری تغذیه شده هستند که اجازه می دهد مدل ها در سراسر بیمارستان های متعدد بدون به اشتراک گذاری داده های حساس آموزش ببینند.

توضیح و اعتماد

کلینیک ها باید درک کنند که چرا یک تصویر هوش مصنوعی به نظر می رسد که چگونه است. مدل های جعبه سیاه ممکن است تصاویری را تولید کنند که واضح به نظر می رسند اما حاوی تحریف های ظریف آناتومی هستند.کار در AI قابل توضیح با هدف تجسم ویژگی های استفاده از مدل، یا ارائه نقشه های عدم اطمینان نشان می دهد که افزایش ممکن است کمتر قابل اعتماد باشد.

مسیر های تحقیقاتی آینده

انتظار می رود که سیستم های نسل بعدی اطلاعات چند منظوره مانند اضافه کردن داده های پیش از عمل CT یا MRI بر روی فلوروسکوپی در زمان واقعی با استفاده از ثبت نام مبتنی بر AI را در بر گیرند.یک دیگر جهت هیجان انگیز استفاده از یادگیری تقویت کننده برای تنظیم خودکار پارامترهای اشعه ایکس (PV، mA، فیلتراسیون) بر اساس کیفیت تصویر واقعی، بازخورد بیشتر افزایش دوز مصنوعی، همچنین ممکن است یک ترکیب کامل از داده های کم شده را کاهش دهد.

نتیجه گیری

تکنیک های مبتنی بر هوش مصنوعی به سرعت در حال رشد و شروع به تبدیل تصویربرداری فلوروسکوپی هستند، با تجزیه موثر خریدهای کم دوز، افزایش کنتراست و جبران حرکت، این روش ها مداخلات امن تر و کارآمد تر را در حالی که حفظ کیفیت تصویر که پزشکان نیاز دارند، فعال می کنند.به عنوان قوی بودن الگوریتم و چارچوب های تنظیم کننده جامد، تقویت AI-enhancedوسکوپی به احتمال زیاد یک ابزار استاندارد در سراسر جهان پردازش تصاویر بهتر می شود.