Il Netherlands Cancer Institute (NKI) è all'avanguardia nella ricerca e nel trattamento del cancro dal 1913. Composto da un centro di ricerca di fama internazionale e da una clinica oncologica dedicata, l'NKI mette in atto idee innovative a beneficio dei pazienti.
Recentemente, l'NKI ha iniziato a condurre ricerche per vedere se i modelli di IA addestrati, in esecuzione su server mainstream virtualizzati, potrebbero fornire le prestazioni necessarie per consentire un targeting tumorale più accurato e ridurre l'esposizione alle radiazioni utilizzando la tomografia computerizzata a fascio conico (CBCT). La soluzione, abilitata dalla suite software AI Enterprise di NVIDIA, promette di rendere i trattamenti del cancro più efficaci per più persone.
Con l'avanzare dell'imaging medico, aumenta anche la necessità di un aumento della capacità di calcolo, di larghezza di banda e di archiviazione. Ciò è particolarmente vero nel trattamento del cancro, che si basa sull'imaging del corpo con CBCT per la pianificazione accurata di radioterapie mirate.
A differenza delle scansioni TC di qualità superiore, la CBCT utilizza un tubo a raggi X e un grande pannello piatto rivelatore che ruota intorno al paziente, acquisendo i dati con un fascio di raggi X a forma di cono invece delle "fette" per le quali gli scanner TC sono tipicamente noti. I dati ricevuti da questi sistemi vengono utilizzati per ricostruire immagini 3D per una varietà di specialità, tra cui torace, dentale, orale/maxillofacciale (bocca, mascella e collo) e laringoiatria (ONG). Il CBCT è essenziale nella radioterapia, dove una scansione CBCT giornaliera viene utilizzata per adattare il piano di trattamento all'anatomia attuale del paziente, che può cambiare a causa della perdita di peso o di un pasto abbondante prima del trattamento.
Più accurate sono le immagini CBCT, più facile è per i medici localizzare tumori più piccoli durante la radioterapia e fornire trattamenti più mirati. La ricostruzione accurata del CBCT semplificherebbe la pianificazione del trattamento, riducendo potenzialmente la necessità di una scansione TC dedicata.
Le immagini CBCT sono calcolate da un algoritmo di ricostruzione utilizzando i dati di proiezione acquisiti dallo scanner. Ricostruire le immagini CBCT, tuttavia, è più difficile rispetto alla ricostruzione TC e la qualità dell'immagine fornita dai metodi di ricostruzione classici è scarsa.
I metodi di ricostruzione di deep learning hanno ricevuto molta attenzione dalla comunità di imaging medico di recente per modalità come TC e MRI, ma le applicazioni al CBCT rimangono molto limitate. Addestrare i modelli per ricostruire i volumi 3D direttamente dai dati di proiezione con risoluzione e conteggio di proiezione clinicamente rilevanti è un compito che richiede memoria, poiché un singolo volume CBCT a risoluzione di 1 mm occuperebbe già 1 GB di memoria tenendo conto delle informazioni di gradiente.