Table of Contents

Роль флюороскопии в интервенционных процедурах

Флюороскопия обеспечивает рентгеновскую визуализацию в реальном времени, которая направляет широкий спектр минимально инвазивных вмешательств, от размещения сосудистых стентов до ортопедических сокращений переломов. Способность визуализировать катетеры, направляющие и контрастные агенты по мере их перемещения по телу позволяет проводить точные, целевые процедуры с меньшими разрезами и более быстрым временем восстановления. Однако тот же характер в реальном времени, который делает флюороскопию бесценной, также вводит уникальные технические ограничения. Качество изображения должно быть достаточным для уверенного принятия решений, в то время как радиационное воздействие сохраняется в безопасных пределах. Балансирование этих требований является постоянной проблемой, и недавние достижения в области искусственного интеллекта (ИИ) предлагают многообещающие решения.

Общие артефакты и ограничения в флюороскопии

Фтороскопические изображения по своей природе ухудшаются несколькими физическими и практическими факторами. Понимание этих ограничений необходимо для понимания того, где ИИ может обеспечить наибольшую пользу.

Квантовый шум и электронный шум

При низких дозах рентгеновский поток фотонов уменьшается, что приводит к квантовому шуму, который проявляется в виде случайной зернистости на изображении. Электронный шум от детектора дополнительно усиливает этот эффект. Традиционные фильтры шумоподавления, такие как усреднение времени, могут размывать движущиеся структуры и вводить лаг. Методы ИИ продемонстрировали способность подавлять шум при сохранении резкости края и временной точности.

Низкая контрастность между мягкими тканями

Флюороскопия опирается на различия в затухании, но многие мягкие ткани имеют сходные характеристики рентгеновского поглощения. Например, дифференциация кровеносных сосудов от окружающих мышц или жира может быть затруднена без контрастных агентов. Алгоритмы усиления контраста ИИ могут усиливать различия в тонкой плотности, делая анатомию более заметной без изменения основной дозы.

Артефакты движения от пациента или оборудования

Дыхательные движения, пульсация сердца и непроизвольные движения пациента вызывают размытие и неправильное ведение учета. Это особенно проблематично во время длительных процедур. Компенсация движения на основе ИИ может оценивать и исправлять смещение на основе кадр за кадром, производя стабильные изображения, которые улучшают точность наведения.

Торговля качеством дозы

Снижение дозы облучения является основной целью в интервенционной радиологии, но более низкая доза неизбежно ухудшает соотношение сигнал/шум. Клиницисты часто должны выбирать между более высокой дозой для лучшего качества изображения или более низкой дозой с повышенной неопределенностью. ИИ может нарушить этот компромисс, реконструируя высококачественные изображения из по своей сути шумных, низких доз.

Технологии улучшения изображений на основе ИИ

Модели глубокого обучения, в частности сверточные нейронные сети (СНС) и генеративные состязательные сети (ГСС), были адаптированы для флюороскопического улучшения. Эти модели изучают отображения из некачественных входных изображений на высококачественные выходы путем обучения на парных наборах данных деградированных и чистых изображений.

Глубокое обучение шумоподавление

Одним из самых ранних и наиболее успешных применений является снижение шума с использованием архитектур кодера-декодера. U-Net, например, может взять шумную флюороскопическую раму и вывести денозированную версию. Обучение требует изображений наземной правды, полученных в более высокой дозе или с использованием более длительного времени воздействия. После обучения сеть может работать в режиме реального времени, обеспечивая немедленную обратную связь. Исследования показали, что такие модели могут достигать уровней шума, эквивалентных 2-4× исходной дозе, сохраняя пространственное разрешение. Оценка 2023 года деноизер на основе CNN в лаборатории катетеризации сердца сообщила о 70%-м сокращении воспринимаемого шума без потери диагностической уверенности .

Усиление контрастности и закалка края

Модели ИИ также могут усиливать контрастность изображения, изучая распределение серых уровней, которые соответствуют клинически значимым особенностям. Например, GAN, обученный на фтороскопических рамках коронарных артерий, может генерировать изображения, где границы сосудов более четко определены. Это особенно полезно, когда низкие концентрации йода используются для снижения нефротоксичности. Некоторые системы сочетают усиление контраста с уменьшением шума в одной многозадачной сети. Недавнее исследование показало, что алгоритм усиления контраста на основе ИИ улучшил видимость направляющих и стентов на 45% по сравнению со стандартной обработкой .

Компенсация движения с помощью оптического потока и ИИ

Артефакты движения можно исправить с помощью оптических алгоритмов потока, которые оценивают скорость на пиксель между кадрами. ИИ может уточнить эти поля потока, изучая типичные шаблоны движения во время вмешательств. Например, рекуррентная нейронная сеть может предсказать следующий кадр и вычесть размытие движения, производя стабилизированную последовательность. Этот метод успешно применяется к коронарной ангиографии и брюшным вмешательствам, где дыхательное движение является основным источником деградации изображения.

Реконструкция супер-решения

Некоторые флюороскопические системы работают с более низким разрешением для уменьшения радиационной или обрабатывающей нагрузки. Модели сверхразрешения ИИ, вдохновленные приложениями в КТ и МРТ, могут реконструировать изображения с более высоким разрешением с входов с более низким разрешением. Научившись извлекать мелкие детали из данных обучения, эти модели могут масштабировать флюороскопические кадры без введения псевдонимов артефактов.

Клинические преимущества и доказательства

Интеграция усовершенствования ИИ в клиническую флюороскопию все еще находится на ранних стадиях, но опубликованные результаты указывают на значительные улучшения в нескольких областях.

Улучшение качества изображения и доверия к диагностике

Многочисленные исследования считывателей показали, что деноизованные ИИ изображения предпочтительнее стандартных изображений интервенционалистами. В многоцентровом исследовании 2022 года 82% врачей оценили флюороскопию с улучшенным ИИ как превосходящую или эквивалентную стандартной визуализации в той же дозе, а скорость ненужных дополнительных приобретений снизилась на 30%. Это приводит к более эффективным процедурам и снижению контрастного использования.

Снижение радиационного воздействия

Наиболее важным преимуществом является потенциал снижения доз облучения пациентов и персонала. Поскольку ИИ может производить приемлемое качество изображения из более низких показателей фотонов, протоколы могут быть скорректированы для снижения дозы без ущерба для визуализации. Исследование в журнале Радиология показало, что реконструкция на основе ИИ позволила снизить дозу флюороскопии с учетом времени, сохраняя при этом те же субъективные оценки качества изображения . В педиатрических вмешательствах, где чувствительность к радиации выше, такие сокращения особенно ценны.

Интеграция процессов и рабочих процессов в реальном времени

Современные форс-модульные движки ИИ могут обрабатывать флюороскопические кадры в полном разрешении менее чем за 30 миллисекунд, что позволяет беспрепятственно интегрировать их в живые потоки изображений. Это позволяет отображать расширенные изображения без заметной задержки, сохраняя временную обратную связь, на которую полагаются клиницисты. В результате ИИ может быть развернут в качестве подключаемого фильтра после обработки, а не требовать обширных обновлений оборудования.

Оперативная эффективность

За счет снижения шума и повышения контрастности инструменты ИИ могут сократить время процедуры. Меньшее количество повторных приобретений означает меньшую потребность в перепозиционировании, меньшее администрирование контрастной среды и меньшее общее радиационное воздействие. В сложных процедурах, таких как создание трансъюгальных внутрипеченочных портосистемных шунтов (TIPS), руководство с улучшенным ИИ было связано с сокращением продолжительности процедур на 15-20%.

Проблемы интеграции и будущие направления

Несмотря на обещание, необходимо преодолеть несколько препятствий, прежде чем флюороскопия с искусственным интеллектом станет стандартной практикой.

Утверждение и валидация нормативных актов

Алгоритмы ИИ, которые изменяют клинические изображения, считаются медицинскими устройствами в большинстве юрисдикций, требующими нормативного разрешения. Это требует строгой проверки не только качества изображения, но и безопасности: алгоритм не должен вводить артефакты, которые могут ввести в заблуждение диагностику. Получение достаточных данных об обучении из различных групп пациентов и конфигураций оборудования является нетривиальным обязательством. Управление по контролю за продуктами и лекарствами США выпустило руководство по хорошим методам машинного обучения, и несколько компаний проводят пути утверждения для улучшения изображения в режиме реального времени.

Обобщение систем и режимов

Модель ИИ, обученная на изображениях с детектора одного производителя, может плохо работать на другом из-за различий в характеристиках шума, усиления и пространственной частотной реакции. Разработка надежных алгоритмов, которые адаптируются к различному оборудованию или могут быть точно настроены на конкретных данных, остается активной областью исследований. Некоторые группы выступают за федеративные подходы к обучению, которые позволяют модели обучаться в нескольких больницах без обмена конфиденциальными данными.

Объяснение и доверие

Клиницисты должны понять, почему изображение, улучшенное с помощью ИИ, выглядит так, как оно выглядит. Модели с черным ящиком могут генерировать изображения, которые кажутся резкими, но содержат тонкие искажения анатомии. Работа в объяснимом ИИ направлена на визуализацию функций, используемых моделью, или на предоставление карт неопределенности, указывающих, где улучшение может быть менее надежным. Построение доверия посредством прозрачной проверки имеет важное значение для клинического принятия.

Будущие направления исследований

Ожидается, что системы следующего поколения будут включать информацию о мультимодальном режиме, такую как наложение предоперационных данных КТ или МРТ на флюороскопию в реальном времени с использованием регистрации на основе ИИ. Еще одним захватывающим направлением является использование обучения усилению для автоматической настройки параметров рентгеновского излучения (кВп, мА, фильтрация) на основе обратной связи качества изображения в реальном времени, дальнейшее снижение дозы. Генеративный ИИ также может обеспечить синтетическое улучшение отсутствующих данных, таких как производство полного сосудистого дерева из разреженных контрастных инъекций.

Заключение

Методы, основанные на ИИ, быстро созревают и начинают трансформировать фтороскопическую визуализацию. Благодаря эффективному отрицанию приобретений с низкими дозами, повышению контрастности и компенсации движения эти методы обеспечивают более безопасные и более эффективные вмешательства, сохраняя при этом качество изображения, которое требуется клиницистам. По мере улучшения надежности алгоритма и укрепления нормативных рамок, флюороскопия с улучшенным ИИ, вероятно, станет стандартным инструментом в интервенционных наборах по всему миру, обеспечивая лучшие результаты пациентов за счет более разумной обработки изображений.