El Instituto del Cáncer de los Países Bajos (NKI) ha estado a la vanguardia de la investigación y el tratamiento del cáncer desde 1913. Compuesto por un centro de investigación de renombre internacional y una clínica dedicada al cáncer, NKI plasma ideas innovadoras para el beneficio de los pacientes.
Recientemente, NKI comenzó a realizar investigaciones para ver si los modelos de IA entrenados, que se ejecutan en servidores convencionales virtualizados, podrían ofrecer el rendimiento necesario para permitir una focalización más precisa del tumor y una exposición reducida a la radiación utilizando la tomografía computarizada de haz cónico (CBCT, por sus siglas en inglés). La solución, habilitada por el conjunto de software NVIDIA AI Enterprise, promete hacer que los tratamientos contra el cáncer sean más efectivos para más personas.
A medida que avanza la imagen médica, también lo hace la necesidad de mayores capacidades de cómputo, ancho de banda y almacenamiento. Resulta especialmente útil en el tratamiento del cáncer, que se basa en las imágenes corporales con CBCT para la planificación precisa de la radioterapia dirigida.
A diferencia de las tomografías computarizadas de mayor calidad, una CBCT utiliza un tubo de rayos X y un panel detector grande y plano que gira alrededor del paciente para capturar datos con un haz de rayos X en forma de cono en lugar de las "rebanadas" por las que suelen ser conocidos los escáneres de tomografías computarizadas. Los datos recibidos de estos sistemas se utilizan para reconstruir imágenes 3D para una variedad de especialidades, como la torácica, la dental, la oral/maxilofacial (boca, mandíbula y cuello) y las orejas, la nariz y la garganta (ENT, por sus siglas en inglés). La CBCT es esencial en la radioterapia, donde se utiliza una exploración diaria de CBCT para adaptar el plan de tratamiento a la anatomía real del paciente, que puede cambiar debido a la pérdida de peso o a una comida abundante antes del tratamiento.
Cuanto más precisas son las imágenes de CBCT, más fácil será para los médicos localizar tumores más pequeños durante la radioterapia y proporcionar tratamientos más específicos. La reconstrucción precisa de CBCT simplificaría la planificación del tratamiento, lo que podría reducir la necesidad de una exploración dedicada a la planificación.
Las imágenes de CBCT se calculan mediante un algoritmo de reconstrucción utilizando los datos de proyección adquiridos por el escáner. Sin embargo, la reconstrucción es más difícil en comparación con la reconstrucción con las tomografías computarizadas, y la calidad de la imagen dada por los métodos de reconstrucción clásica es baja.
Los métodos de reconstrucción mediante deep learning han recibido mucha atención de la comunidad de imágenes médicas recientemente para modalidades como la tomografía computarizada y la imagen por resonancia magnética, pero las aplicaciones para las CBCT siguen siendo muy limitadas. Los modelos de entrenamiento para reconstruir volúmenes 3D directamente a partir de datos de proyección con una resolución clínicamente relevante y la cantidad de proyecciones es una tarea que consume demasiada memoria, y un solo volumen de CBCT a una resolución de 1 mm ya ocuparía 1 GB de memoria teniendo en cuenta la información de gradiente.