Amélioration de la scintigraphie pulmonaire à faible comptage par l’IA : Optimisation de la radioprotection et de l’efficacité de l’imagerie grâce aux cGAN 

Contexte 

La scintigraphie pulmonaire ventilation/perfusion (V/Q) est un outil d’imagerie crucial pour le diagnostic de l’embolie pulmonaire (EP). La transition vers des acquisitions par tomographie d’émission monophotonique (SPECT) exclusivement présente des défis pour les clinicien·ne·s habitué·e·s à interpréter des scintigraphies pulmonaires planaires traditionnelles. De plus, les protocoles d’acquisition habituels pour les SPECT et la scintigraphie planaire V/Q, conçus pour produire des images de haute qualité prennent du temps et sont sujets à des artefacts dus aux mouvements du patient. Ceci peut mener à l’inconfort du ou de la patient·e et nécessite de répéter des examens afin d’obtenir des images cliniquement acceptables. Cette étude explore le potentiel des réseaux adverses génératifs conditionnels (cGANs) pour générer les images pseudoplanaires de haute qualité à partir de données de projection SPECT à faible dose ou d’images planaires ré-échantillonnées à faible comptage. En s’appuyant sur l’amélioration basée sur l’IA, cette approche vise à réduire considérablement la dose de rayonnements, à minimiser les artefacts dus aux mouvements du ou de la patient·e et à diminuer le besoin d’imagerie redondante, tout en préservant la précision du diagnostic. 

Méthode 

Nous avons analysé rétrospectivement 704 patients de L’Hôpital d’Ottawa ayant subi une scintigraphie V/Q pour une suspicion d’EP entre juin 2017 et janvier 2023. Seules les images de perfusion acquises en utilisant du technétium 99m MAA ont été incluses. Les images de perfusion ont été obtenues dans six projections habituelles – antérieure (ANT), postérieure (POST), oblique postérieure droite et gauche (RPO, LPO) et oblique antérieure droite et gauche (RAO, LAO) en utilisant huit appareils SPECT de deux fournisseurs. Chaque projection a été enregistrée jusqu’à ce qu’elle atteigne un total de 600 000 comptes en utilisant une matrice de 256 x 256. L’acquisition planaire a duré en moyenne 120,0 ± 54,7 secondes. L’acquisition SPECT a immédiatement suivi, utilisant 128 projections avec un temps d’acquisition de 8 secondes par arrêt et une matrice de 128 x 128. La projection SPECT correspondant le mieux à chaque projection planaire a été déterminée automatiquement en sélectionnant celle avec le coefficient de corrélation Pearson le plus élevé. Le rapport de comptage SPECT/planaire a été calculé et utilisé pour ré-échantillonner les images planaires en utilisant la méthode de Poisson, générant des images synthétiques à faible comptage avec des niveaux de bruit de Poisson correspondant aux projections SPECT. 

Pour améliorer ces images à faible comptage, un réseau adverse génératif conditionnel (cGAN) a été formé à l’aide d’une fonction de perte L1+Perceptual+GAN sur 300 répétitions. L’ensemble des données d’entraînement était constitué d’images planaires synthétiques ré-échantillonnées associées à leurs images planaires à comptage complet correspondantes. Les valeurs d’intensité des images ont été normalisées entre 0 et 1 et les projections SPECT ont été suréchantillonnées dans une matrice 256 x 256 avant d’être introduites dans le cGan. Les ensembles d’entraînement, de validation et de test ont été créés avec une répartition de 80:10:10. 

Pour évaluer les performances du modèle, l’erreur quadratique moyenne, le rapport signal/bruit de crête et la mesure d’indice de similarité structurelle ont été calculés, comparant les images synthétiques à faible comptage, les projections SPECT à faible comptage et leurs résultats améliorés par l’IA avec les images planaires à comptage élevé. Des comparaisons statistiques ont été effectuées à l’aide d’un test de la somme des rangs de Wilcoxon. 

Résultats 

Les rapports de comptage entre les projections planaire et SPECT étaient de 0,078 ± 0,047. Par inspection visuelle, nous montrons que les défauts de perfusion sous-segmentaires et segmentaires peuvent toujours être discernés après l’amélioration et qu’aucun nouveau défaut n’est introduit, démontrant que l’information diagnostique est préservée malgré une perte de comptage d’environ 10 fois. Les projections synthétiques et SPECT présentaient des paramètres de performance similaires avant et après l’amélioration par l’IA. Tous les paramètres de performance démontraient des améliorations significatives avec l’amélioration par l’IA. Plus précisément, pour la projection SPECT, la médiane ± l’écart interquartile de l’erreur quadratique moyenne a diminué de 0,59 ± 0,08 à 0,72 ± 0,07, le rapport signal/bruit de crête a augmenté de 21,1 ± 1,9 à 27,7 ± 1,6 et l’indice de similarité structurelle s’est amélioré de 7,75 × 10⁻³ ± 3,39 × 10⁻³ à 1,70 × 10⁻³ ± 8,70 × 10⁻⁴ ; tous les changements étant statistiquement significatifs (p < 10⁻⁵). 

Conclusion 

Le modèle cGAN proposé améliore efficacement les images par scintigraphies pulmonaires à faible comptage, générant des images pseudoplanaires de haute qualité à partir de données de projection SPECT à faible dose et d’images planaires ré-échantillonnées à faible comptage. Étant donné que les paradigmes de faible dose et d’acquisition rapide sont les deux faces d’une même médaille, le bruit de Poisson, qui dégrade la qualité de l’image et la fiabilité du diagnostic, l’amélioration par l’IA offre une solution cruciale. En atténuant les effets de bruit, cette approche permet de réduire l’activité radiopharmaceutique administrée, diminuant ainsi la dose absorbée par le ou la patient·e tout en préservant la précision du diagnostic. De plus, elle permet d’accélérer les protocoles d’acquisition, d’améliorer l’efficacité clinique, de réduire l’inconfort du ou de la patient·e et de minimiser les artefacts reliés aux mouvements. Les recherches futures exploreront son applicabilité aux études de ventilation, renforçant ainsi son rôle en optimisant l’imagerie en médecine nucléaire.