במהלך נהלי הדמיית תהודה מגנטית (MRI), סוכני ניגודיות, כמו הגאדוליניום המתכת הנדיר, יכולים להוות סיכונים בריאותיים פוטנציאליים. חוקרים באוניברסיטה הפוליטכנית בהונג קונג (PolyU) בילו שנים בפיתוח טכנולוגיית סריקה ללא ניגודיות ופיתחו בהצלחה הדמיית MRI וירטואלית המופעלת על ידי AI לגילוי גידולים מדויק, ומציעים גישה אבחנתית בטוחה וחכמה יותר.
קרצינומה של Nasopharyngeal (NPC) היא ממאירות מאתגרת בשל מיקומה בלוח האף, אזור מורכב המוקף במבנים קריטיים כמו בסיס הגולגולת ועצבי גולגולת. סרטן זה נפוץ במיוחד בדרום סין, שם הוא מתרחש בשיעור גבוה פי 20 מאשר באזורים שאינם אנדמיים בעולם, מהווה נטל בריאות משמעותי.
האופי המסתנן של NPC הופך את ההדמיה המדויקת לחיונית לתכנון טיפול יעיל, במיוחד לטיפול בהקרנות, שנשארה את אופן הטיפול העיקרי. באופן מסורתי, MRI משופר בניגודיות באמצעות סוכני ניגודיות מבוססי גאדוליניום (GBCAs) היה תקן הזהב לתחום גבולות הגידול. עם זאת, השימוש ב- GBCAs נושא סיכונים, ומדגיש את הצורך באלטרנטיבות הדמיה בטוחות יותר.
גאדוליניום מסוגל לשפר את הנראות של מבנים פנימיים. זה שימושי במיוחד ב- NPC, כאשר אופיו החודר של הגידול דורש הדמיה מדויקת כדי להבדיל אותו מרקמות בריאות שמסביב. עם זאת, היא מציבה גם סיכונים בריאותיים משמעותיים, כולל פיברוזיס מערכתי נפרוגני. זהו מצב חמור הקשור לחשיפה לגדוליניום המוביל לפיברוזיס של העור, המפרקים והאיברים הפנימיים, וגורם לכאבים ונכות קשה. יתר על כן, מחקרים אחרונים הראו כי גאדוליניום יכול להצטבר במוח, ולהעלות חששות לגבי השפעותיו לטווח הארוך.
פרופ 'ג'ינג קאי, ראש ופרופסור למחלקת הטכנולוגיה והמידע הבריאותי של פוליו, בוחן שיטות לביטול השימוש ב- GBCAs, עם FOUCs על יישום למידה עמוקה לשיפור ניגודיות וירטואלית (VCE) ב- MRI. במאמר שפורסם בכתב העת הבינלאומי של קרינת אונקולוגיה, ביולוגיה, פיזיקה בשנת 2022, פרופ 'קאי וצוות המחקר שלו דיווחו על פיתוח הרשת העצבית הסינרגיסטית המונחת רב-מודליות (MMGSN-NET). בשנת 2024 הוא פיתח עוד יותר את מודל השיפוע של Pixelwise עם רשת אילמתית של Generative (GAN) לשיפור ניגודיות וירטואלי (PGMGVCE), כפי שדווח בסרטן.
MMGSN-NET מייצג קפיצה משמעותית קדימה בסינתזת תמונות MRI משוקללות T1 משופרת ניגודיות משוקללות T1 מסריקות ללא ניגודיות, וממנפות מידע משלים מתמונות משוקללות T1 ומשוקללות T2 כדי להפיק תמונות סינתטיות באיכות גבוהה. הארכיטקטורה שלה כוללת מודול למידה רב-מודליות, מערכת הנחיות סינרגיסטית, מודול תשומת לב עצמית, מודול רב-דרגתי ומפלה, כולם עובדים בהופעה כדי לייעל את מיצוי התכונות וסינתזת התמונות. הוא נועד לפתוח תכונות הדמיה הקשורות לגידול מכל אופן קלט, להתגבר על המגבלות של סינתזה חד-מודאלית.
מערכת ההנחיות הסינרגיסטית ממלאת תפקיד מכריע במיזוג מידע מתמונות משוקללות T1 ו- T2, ומשפרות את יכולת הרשת לתפוס תכונות משלימות. בנוסף, המודול לתשומת לב עצמית מסייע בשמירה על צורתם של מבנים אנטומיים גדולים, החשובים במיוחד לתחום מדויק של האנטומיה המורכבת של NPC.
על סמך היסוד שהונח על ידי MMGSN-NET, מודל PGMGVCE מציג גישה חדשה ל- VCE בהדמיית MRI. מודל זה משלב שיטות שיפוע בפיקסלים עם GAN, ארכיטקטורה למידה עמוקה, כדי לשפר את המרקם ואת הפרטים של תמונות סינתטיות.
GAN כולל שני חלקים: גנרטור שיוצר תמונות סינתטיות ומפלה המעריך את האותנטיות שלהם. הגנרטור והמפלה עובדים יחד, כאשר הגנרטור משפר את תפוקותיו על סמך משוב מהמפלה.
במודל המוצע, שיטת השיפוע הפיקסלים, המשמשת במקור ברישום תמונה, מיומנת בלכידת המבנה הגיאומטרי של הרקמות, ואילו GAN מבטיחים כי התמונות המסונתזות אינן ניתנות להבחנה חזותית מסריקות ממש משופרות ניגודיות. ארכיטקטורת מודל PGMGVCE נועדה לשלב ולתעדף תכונות מתמונות משוקללות T1 ו- T2, ומינוף את חוזקותיהן המשלימות כדי לייצר תמונות VCE של נאמנות גבוהה.
במחקרים השוואתיים, PGMGVCE הדגימה דיוק דומה ל- MMGSN-NET מבחינת שגיאה מוחלטת ממוצעת (MAE), שגיאה מרובעת ממוצעת (MSE) ומדד הדמיון המבני (SSIM). עם זאת, זה הצטיין בייצוג מרקמים, והתאמה מקרוב למרקם של תמונות משופרות ניגודיות-קרקע, ואילו עם MMGSN-Net נראה שהמרקם חלק יותר. זה הוכח על ידי ערכים משופרים כמו סך השונות המרובעת הממוצעת בעוצמה ממוצעת (TMSVPMI) ותפקוד tenengrad בעוצמה ממוצעת (TFPMI), מה שמעיד על שכפול מרקם מציאותי יותר. היכולת של PGMGVCE ללכוד פרטים ומרקמים מורכבים מרמזת על עליונותו על פני MMGSN-NET בהיבטים מסוימים, במיוחד בשכפול המרקם האותנטי של תמונות משוקללות T1 בניגוד.
כוונון עדין של מודל PGMGVCE כלל בחינת הגדרות היפר-פרמטר שונות ושיטות נורמליזציה כדי לייעל את הביצועים. המחקר מצא כי יחס 1: 1 של אובדן שיפוע פיקסל לאובדן GAN הניב תוצאות מיטביות, ואיזן את יכולתו של המודל לתפוס גם צורה וגם מרקם.
בנוסף, נבדקו טכניקות נורמליזציה שונות, כמו Z-SCORE, SIGMOID ו- TANH, כדי לשפר את יכולות הלמידה וההכללה של המודל. נורמליזציה של Sigmoid התגלה כיעילה ביותר, מעט יותר מבצעת את השיטות האחרות מבחינת MAE ו- MSE.
היבט נוסף של המחקר כלל הערכת הביצועים של מודל PGMGVCE כאשר הוא מאומן במודלים בודדים, או תמונות T1-W או T2-W. התוצאות הצביעו על כך ששימוש בשתי האפשרויות יחד סיפק ייצוג מקיף יותר של האנטומיה, מה שהוביל לשיפור שיפור הניגודיות בהשוואה לשימוש בשני המודלים בלבד. ממצא זה מדגיש את החשיבות של שילוב מצבי הדמיה מרובים כדי לתפוס את הספקטרום המלא של מידע אנטומי ופתולוגי.
ההשלכות של ממצאים אלה משמעותיות לעתיד הדמיית ה- MRI ב- NPC. על ידי ביטול ההסתמכות על GBCAs, מודלים אלה מציעים אלטרנטיבה בטוחה יותר עבור חולים, במיוחד אלה עם התוויות נגד לסוכני ניגודיות. יתר על כן, ייצוג המרקם המשופר שהושג על ידי PGMGVCE עלול להוביל לשיפור דיוק האבחון, לסייע לקלינאים בזיהוי טוב יותר ואפיון גידולים.
מחקר עתידי אמור להתמקד בהרחבת מערכי ההדרכה של מודלים אלה ובשילוב מצבי MRI נוספים כדי לשפר עוד יותר את יכולות האבחון והכללות שלהם על פני הגדרות קליניות מגוונות. כאשר טכנולוגיות אלה ממשיכות להתפתח, הן מחזיקות בפוטנציאל לשנות את נוף ההדמיה הרפואי, ומציעים כלים בטוחים ויעילים יותר לאבחון סרטן ותכנון טיפול.
