Χρήση αλγορίθμων τεχνητής νοημοσύνης για τη βελτιστοποίηση των εφαρμοζόμενων πρακτικών στην πυρηνική ιατρική

Abstract

Aim of the Study This thesis aims to develop and evaluate deep learning algorithms for denoising low-dose planar bone scintigraphy images. The main goal is to safely reduce the administered radiotracer activity and/or acquisition time while maintaining the diagnostic reliability of the images, thereby facilitating the practical implementation of the ALARA principle (As Low As Reasonably Achievable) and reducing radiation exposure for both patients and clinical staff. Methodology and Data The study was conducted using clinical data from 105 patients (44 males, 61 females; age range 37–88 years, mean age 67 ± 11.3) from two anatomical regions: thorax and pelvis. The images were acquired using Siemens gamma cameras with the radiopharmaceutical 99mTc-HDP at the Department of Nuclear Medicine of the University General Hospital of Alexandroupolis. Low-dose simulation was achieved by reducing acquisition time to 30%–90% of the standard dose. The dataset was divided into training (75%), validation (15%), and test (10%) subsets. Evaluation Procedure The evaluation consisted of two phases: 1.Comparative quantitative assessment of four algorithms: Four deep learning architectures (U-Net, DRUNet, MobileECADnCNN, and ECAE) were compared under identical conditions using PSNR and SSIM metrics. ECAE was identified as the best-performing algorithm. 2.In-depth evaluation of ECAE:oQuantitative analysis by anatomical region: PSNR and SSIM were computed for each dose level (30%–90%), revealing region-dependent performance differences. The pelvis, with more distinct anatomical structures, exhibited superior denoising compared to the thorax.oQualitative clinical assessment: Independent nuclear medicine physicians performed a qualitative evaluation using a Likert scale for four criteria (noise, anatomical visibility, detail preservation, and diagnostic suitability) and a Two-Alternative Forced-Choice (2AFC) test, demonstrating that the denoised images were visually preferred without loss of diagnostic information compared with full-dose images. Main ResultsThe ECAE outperformed the other algorithms both quantitatively and qualitatively, achieving the highest average PSNR (38.54 dB), compared to 37.79 dB for DRUNet and 37.63 dB for MobileECADnCNN, while maintaining comparable structural similarity (SSIM = 0.9513). Denoising significantly enhanced the visibility of anatomical structures and reduced noise, while preserving diagnostic information even at low-dose levels. Technical Features of ECAEECAE is an Enhanced Convolutional Autoencoder with multi-scale feature extraction and attention mechanisms, enabling the capture of long-range spatial dependencies between image regions and restoration of fine structural details in low-dose images. The incorporation of residual learning further improves the network’s learning capacity. Clinical Implications and ContributionThe study demonstrates that ECAE enables dose reduction without compromising diagnostic information, making the practical implementation of the ALARA principle feasible. Furthermore, the method can be extended to other nuclear medicine techniques (PET, SPECT, dynamic studies) and various radiopharmaceuticals, enhancing overall clinical safety and efficiency. Limitations and Future Directions The study was limited to planar images of the thorax and pelvis, without direct evaluation of specific pathological lesion detectability. Future research directions include extension to SPECT, additional anatomical regions, different radiopharmaceuticals, explainable artificial intelligence (AI) approaches, and task-based diagnostic assessment in real clinical settings. Conclusion This thesis provides a substantial contribution to the field of Nuclear Medicine by presenting a comprehensive methodology for dose reduction using deep learning, validated with real clinical data and a combination of quantitative and qualitative assessments. The work demonstrates the feasibility of safe and effective denoising, with significant benefits regarding optimization of patient safety and clinical protocols.

Γενικός Σκοπός Η παρούσα διδακτορική διατριβή στοχεύει στην ανάπτυξη και αξιολόγηση αλγορίθμων βαθιάς μάθησης (deep learning) για την αποθορυβοποίηση δισδιάστατων εικόνων σπινθηρογραφήματος οστών χαμηλής δόσης (low-dose). Ο κύριος στόχος είναι η ασφαλής μείωση της χορηγούμενης ενεργότητας ή του χρόνου λήψης, διατηρώντας τη διαγνωστική αξιοπιστία των εικόνων. Με αυτόν τον τρόπο συμβάλλει στην πρακτική εφαρμογή της αρχής ALARA (As Low As Reasonably Achievable), μειώνοντας την ακτινική επιβάρυνση των ασθενών και του προσωπικού. Μεθοδολογία και Δεδομένα Η μελέτη βασίστηκε σε κλινικά δεδομένα 105 ασθενών (44 άνδρες, 61 γυναίκες, ηλικίας 37–88 ετών, μέση ηλικία 67 ± 11.3) από δύο ανατομικές περιοχές: θώρακα και πύελο. Οι εικόνες λήφθηκαν με γ-κάμερες Siemens χρησιμοποιώντας το ραδιοφάρμακο 99mTc-HDP στο τμήμα Πυρηνικής Ιατρικής του Πανεπιστημιακού Γενικού Νοσοκομείου Αλεξανδρούπολης. Η προσομοίωση χαμηλής δόσης πραγματοποιήθηκε μέσω μείωσης του χρόνου λήψης σε ποσοστά 30%–90% της πλήρους δόσης (full-dose). Τα δεδομένα χωρίστηκαν σε σύνολα εκπαίδευσης (training set, 75%), επικύρωσης (validation set, 15%) και δοκιμής (test set, 10%). Διαδικασία Αξιολόγησης Η αξιολόγηση πραγματοποιήθηκε σε δύο φάσεις: 1.Συγκριτική ποσοτική αξιολόγηση τεσσάρων αλγορίθμων: Συγκρίθηκαν τέσσερις αρχιτεκτονικές βαθιάς μάθησης υπό ενιαίες πειραματικές συνθήκες: U-Net, DRUNet (Denoising Residual U-Net), MobileECADnCNN (Mobile Efficient Channel Attention Denoising Convolutional Neural Network) και ECAE (Enhanced Convolutional Autoencoder). Η αξιολόγηση βασίστηκε σε PSNR (Peak Signal-to-Noise Ratio) και SSIM (Structural Similarity Index Measure). Τα αποτελέσματα ανέδειξαν τον ECAE ως την αποδοτικότερη προσέγγιση.2.Εις βάθος αξιολόγηση του ECAE: o Ποσοτική ανάλυση ανά ανατομική περιοχή: Υπολογίστηκαν PSNR και SSIM για κάθε ποσοστό δόσης (30%–90%), αναδεικνύοντας διαφοροποιημένη απόδοση ανά περιοχή. Η πυελική περιοχή, λόγω παρουσίας πιο ευδιάκριτων ανατομικών δομών, παρουσίασε καλύτερη αποθορυβοποίηση σε σχέση με τον θώρακα. o Ποιοτική κλινική αξιολόγηση: Ανεξάρτητοι πυρηνικοί ιατροί χρησιμοποίησαν κλίμακα Likert για τέσσερα κριτήρια (θόρυβος, ορατότητα δομών, διατήρηση λεπτομερειών, διαγνωστική καταλληλότητα) και δοκιμασία Two-Alternative Forced Choice (2AFC), δείχνοντας ότι οι αποθορυβοποιημένες εικόνες ήταν οπτικά προτιμητέες, χωρίς απώλεια διαγνωστικής πληροφορίας, σε σύγκριση με τις εικόνες πλήρους δόσης. Κύρια Αποτελέσματα Ο ενισχυμένος συνελικτικός αυτοκωδικοποιητής (Enhanced Convolutional Autoencoder - ECAE) υπερείχε έναντι των άλλων αλγορίθμων τόσο ποσοτικά όσο και ποιοτικά, επιτυγχάνοντας τον υψηλότερο μέσο δείκτη PSNR (38.54 dB), έναντι 37.79 dB του DRUNet και 37.63 dB του MobileECADnCNN, ενώ παράλληλα διατήρησε συγκρίσιμη δομική ποιότητα (SSIM = 0.9513). Η αποθορυβοποίηση βελτίωσε σημαντικά την ορατότητα ανατομικών δομών και μείωσε τον θόρυβο, διατηρώντας τη διαγνωστική πληροφορία ακόμη σε χαμηλά επίπεδα δόσης. Τεχνικά Χαρακτηριστικά του ECAE Ο ECAE αποτελεί αρχιτεκτονική με πολυκλιμακωτή αναπαράσταση χαρακτηριστικών (multi-scale feature representation) και μηχανισμούς προσοχής (attention mechanisms), οι οποίοι επιτρέπουν την αποτύπωση μακρινών χωρικών συσχετίσεων μεταξύ διαφορετικών περιοχών της εικόνας και των αντίστοιχων ανατομικών δομών και την αποκατάσταση λεπτομερειών από εικόνες χαμηλής δόσης. Επιπλέον, η ενσωμάτωση υπολειμματικής μάθησης (residual learning) ενισχύει την ικανότητα του δικτύου να μαθαίνει αποτελεσματικότερα. Κλινικές Προεκτάσεις και Συνεισφορά Τα αποτελέσματα της μελέτης καταδεικνύουν ότι η εφαρμογή του ECAE επιτρέπει μείωση δόσης χωρίς διαγνωστική απώλεια, καθιστώντας την αρχή ALARA πρακτικά εφαρμόσιμη. Επιπλέον, η προτεινόμενη μεθοδολογία δύναται να επεκταθεί σε άλλες τεχνικές Πυρηνικής Ιατρικής (PET (Positron Emission Tomography), SPECT (Single Photon Emission Computed Tomography) και δυναμικές μελέτες) και σε διαφορετικά ραδιοφάρμακα, ενισχύοντας τη γενική ασφάλεια και αποτελεσματικότητα της κλινικής πρακτικής. Περιορισμοί και Μελλοντικές Κατευθύνσεις Η παρούσα μελέτη περιορίστηκε σε δισδιάστατες εικόνες θώρακα και πυέλου, χωρίς άμεση αξιολόγηση της ικανότητας ανίχνευσης συγκεκριμένων παθολογικών βλαβών. Μελλοντικές κατευθύνσεις περιλαμβάνουν επέκταση σε τρισδιάστατες μελέτες SPECT, άλλες ανατομικές περιοχές, διαφορετικά ραδιοφάρμακα, αλγορίθμους ερμηνευσιμότητας και task-based διαγνωστική αξιολόγηση σε πραγματικές κλινικές συνθήκες. Συμπέρασμα Η διατριβή συνεισφέρει ουσιαστικά στο πεδίο της Πυρηνικής Ιατρικής, παρέχοντας μια ολοκληρωμένη μεθοδολογία για μείωση της δόσης μέσω βαθιάς μάθησης, τεκμηριωμένη με πραγματικά κλινικά δεδομένα και συνδυασμό ποσοτικών και ποιοτικών αξιολογήσεων. Τα ευρήματα αναδεικνύουν τη δυνατότητα ασφαλούς και αποτελεσματικής αποθορυβοποίησης, με σημαντικά οφέλη στη βελτιστοποίηση της ασφάλειας των ασθενών και των κλινικών πρωτοκόλλων.