Onderzoekers hebben een methode ontwikkeld genaamd 'just-in-time volumetric imaging', die real-time 3D-beelden van de borstkas mogelijk maakt tijdens medische interventies. De techniek moet de diagnostische nauwkeurigheid verhogen bij bronchoscopieën, waarbij huidige methoden nog vaak tekortschieten.
Ondanks twintig jaar aan innovaties in de bronchoscopie blijven de resultaten in de praktijk soms onbevredigend. Volgens een recent wetenschappelijk rapport van arxiv.org leiden geavanceerde bronchoscopische technieken in 30% van de gevallen nog niet tot een duidelijke diagnostische beslissing. Bovendien worden kwaadaardige tumoren in 20% van de gevallen over het hoofd gezien. Hoewel 3D-beeldvorming tijdens de procedure de positionering van instrumenten en de diagnostische opbrengst aanzienlijk kan verbeteren, vormt de beweging van de patiënt een grote uitdaging.
De uitdaging van bewegende anatomie
Een fundamenteel probleem bij huidige 3D-scans tijdens een ingreep is dat deze werken als een statische momentopname. De anatomie van de borstkas is echter voortdurend in beweging, vooral omdat de patiënt gedurende de procedure beademd wordt. Hierdoor kan een beeld dat aan het begin van een handeling is gemaakt, op het moment van bemonstering al verouderd zijn.
Om dit op te lossen, stelt onderzoeker Nicholas Hindley een systeem voor dat patiëntspecifieke 2D-3D bewegingsmodellen leert. Deze modellen worden getraind op scans die vóór de interventie zijn gemaakt, zodat ze tijdens de eigenlijke bemonstering volumetrische beelden kunnen genereren op basis van enkelvoudige fluoroscopische projecties.
VoxelMap-DualScan en technische prestaties
De kern van deze nieuwe aanpak is een optimalisatieregime dat bekendstaat als VoxelMap-DualScan (VM-DS). Dit systeem maakt gebruik van een bestaande CBCT-scan (Cone Beam Computed Tomography) die is gemaakt tijdens een inademingsstop voor de navigatie, aangevuld met een extra CBCT-scan waarin beweging is opgenomen.
Volgens de publicatie op lost VM-DS een bewegingsmodel van lage rang op via alternerende kleinste kwadraten. Dit model wordt vervolgens omgezet in een projectie-encoder die getraind is op gesynthetiseerde projecties met bekende bewegingen. Het gehele proces van training vindt plaats binnen een tijdsbestek van tien minuten.
De effectiviteit van het systeem is getest op acht verschillende casussen uit de publieke DIR-Lab 4DCT-dataset. De resultaten waren als volgt:
* Een gemiddelde foutmarge bij de registratie van landmarks (target registration error) van 2,8 mm.
* Een structurele gelijkenisindex (SSIM) van 0,95.
* Een piek signaal-ruisverhouding (PSNR) van 37,7 dB.
Opvallend is dat de nauwkeurigheid behouden bleef, zelfs toen het aantal projecties dat gebruikt werd voor de training werd teruggebracht van 227 naar slechts 23.
Toepassing in de praktijk
Een cruciaal aspect van de nieuwe methode is de snelheid. De inferentie — het proces waarbij het systeem een beeld genereert — neemt slechts 1,5 milliseconde per projectie in beslag. Deze snelheid maakt het raamwerk uitermate geschikt voor real-time gebruik tijdens beeldgestuurde interventies, waarbij elke seconde telt voor de precisie van de arts.
De term 'just-in-time', die in de titel van het onderzoek wordt gebruikt, verwijst in algemene zin naar zaken die "nu, zeer binnenkort of zeer recent" plaatsvinden, zoals beschreven in de definities van het cambridge.org. In de context van deze medische technologie betekent dit dat de benodigde volumetrische informatie precies op het moment dat deze nodig is, beschikbaar wordt gesteld.
De volledige details van het onderzoek en de bijbehorende code zullen volgens de auteurs beschikbaar worden gesteld via de , waardoor andere onderzoekers de resultaten kunnen verifiëren en verder kunnen ontwikkelen.