DOI: https://doi.org/10.1007/s00330-025-12253-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41537782
تاريخ النشر: 2026-01-15
المؤلف: Olivier Zanier وآخرون
الموضوع الرئيسي: الشبكات التنافسية التوليدية وتوليد الصور
نظرة عامة
تبحث الدراسة في جدوى توليد صور الأشعة المقطعية (CT) الاصطناعية من الأشعة السينية ثنائية المستوى باستخدام تقنيات التعلم العميق، مع معالجة تحديات التعرض للإشعاع والوصول المحدود إلى تصوير الأشعة المقطعية في جراحة الأعصاب. تم تطوير شبكتين تنافسيتين (GANs): النموذج 1 استخدم الأشعة السينية المعاد بناؤها رقمياً (DRRs) وحقق نسبة ذروة الإشارة إلى الضوضاء (PSNR) تبلغ 15.61 ومقياس مؤشر التشابه الهيكلي (SSIM) يبلغ 0.782 خلال التحقق الخارجي. النموذج 2، الذي تم تدريبه على صور الأشعة السينية الحقيقية، وصل إلى PSNR يبلغ 14.69 وSSIM يبلغ 0.717 عند التحقق الداخلي.
بينما تشير النتائج إلى أن مسح التصوير المقطعي الاصطناعي يظهر إمكانيات، إلا أنه لا يتماشى بعد تمامًا مع صور الأشعة المقطعية الفعلية. تمثل هذه الدراسة إثبات المفهوم المحاولة الأولى لإنشاء صور قحفية اصطناعية من خلال التعلم العميق، مما يمهد الطريق للبحوث المستقبلية. تشير النتائج إلى أن هذا النهج يمكن أن يعزز الوصول إلى تصوير الأعصاب، ويقلل من التعرض للإشعاع، ويحسن الدعم أثناء العمليات والتشخيص في جراحة الأعصاب ورعاية الأعصاب الحرجة، على الرغم من أن الأهمية السريرية لهذه النماذج لا تزال بحاجة إلى أن تتأسس بالكامل.
مقدمة
تناقش المقدمة التحديات المرتبطة بتكرار تصوير الأشعة المقطعية في إصابات الأعصاب والطوارئ الوعائية، خاصة بالنسبة للمرضى غير الواعين الذين لديهم قدرات محدودة في الفحص العصبي. بينما يعتبر التصوير المتكرر ضروريًا لمراقبة حالات مثل الهيماتومات والانزلاقات المتوسطة، فإنه يطرح قضايا لوجستية للمرضى غير المستقرين ديناميكيًا الذين يعتمدون على أنظمة دعم الحياة. تم استكشاف بدائل مثل الأشعة المقطعية المتنقلة والرنين المغناطيسي ولكنها تأتي مع عيوب، بما في ذلك التعرض للإشعاع والتكاليف العالية، بالإضافة إلى متطلبات وضع المرضى في وضع الاستلقاء دون رفع الرأس.
تعتبر تقنيات التصوير أثناء العملية، مثل الأشعة المقطعية ذات الشعاع المخروطي والرنين المغناطيسي أثناء العملية، مفيدة لإجراءات جراحة الأعصاب ولكن غالبًا ما تكون محدودة للاستخدام لمرة واحدة بسبب تكاليف الشراء والصيانة العالية. تسلط المقدمة الضوء على نهج جديد يستخدم التعلم العميق لتوليد صور مشابهة للأشعة المقطعية للصدر من الأشعة السينية ثنائية المستوى، مشيرة إلى عدم وجود تطبيقات مماثلة لتصوير القحف. نظرًا لتعقيدات إعادة بناء صور الأنسجة الرخوة ثلاثية الأبعاد من الأشعة السينية القحفية، تهدف هذه الدراسة إلى إنشاء مسحات CT قحفية اصطناعية من الأشعة السينية ثنائية المستوى للمرضى البالغين في جراحة الأعصاب، مما يمثل خطوة أولية نحو تقييم الفائدة السريرية لمثل هذه الطريقة.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الأساليب الإحصائية، البروتوكولات التجريبية، وأي أدوات حسابية مستخدمة.
بالإضافة إلى ذلك، قد يصف القسم حجم العينة، الضوابط، وأي إجراءات عشوائية أو إخفاء تم تنفيذها لتقليل التحيز. بشكل عام، يخدم هذا القسم لتوفير إطار شامل لفهم كيفية إجراء البحث، مما يسمح بالتقييم النقدي وتكرار النتائج.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم للتنبؤ يلتقط بدقة الاتجاهات الأساسية في البيانات، كما يتضح من قيمة معامل التحديد العالية ($R^2$)، مما يشير إلى توافق قوي. علاوة على ذلك، تؤكد تحليل التباين (ANOVA) أن الفروق الملاحظة بين المجموعات ليست بسبب الصدفة العشوائية، مما يعزز موثوقية النتائج. بشكل عام، تسهم هذه النتائج في تقديم رؤى قيمة حول سؤال البحث وتدعم الفرضيات المطروحة في بداية الدراسة.
المناقشة
في هذه الدراسة، تم تطوير شبكتين تنافسيتين (GANs) لتحويل الأشعة السينية إلى صور CT اصطناعية (sCT)، باستخدام بيانات متعددة المراكز من أكثر من 1500 مريض. استخدم النموذج 1 الأشعة السينية المعاد بناؤها رقمياً (DRRs) كمدخلات، بينما استخدم النموذج 2 الأشعة السينية ثنائية المستوى الفعلية. أظهرت أداء كلا النموذجين تشابهًا معتدلًا مع الأشعة المقطعية الحقيقية (gtCT)، حيث حقق النموذج 1 تحسينات في مقاييس المحاذاة مثل درجة DICE ومتوسط المسافة السطحية المتماثلة (ASSD) بعد التوافق. ومع ذلك، لا تزال الجودة العامة لصور sCT المولدة متخلفة عن الأشعة المقطعية الحقيقية، مما يشير إلى أن المزيد من التحسين ضروري قبل النظر في التطبيق السريري.
تسلط الدراسة الضوء على الفوائد السريرية المحتملة لاستخدام sCT المستمدة من الأشعة السينية، خاصة في تقليل تعرض المرضى للإشعاع والتكاليف المرتبطة بأساليب التصوير التقليدية. سمح التركيز على مرضى استسقاء الرأس بوجود مجموعة بيانات محكومة، على الرغم من أنه يحد من تعميم النتائج على أمراض أخرى. يعترف المؤلفون بالتحديات التي تطرحها التباين في اكتساب الأشعة السينية ويؤكدون على الحاجة إلى تقنيات تصوير موحدة لتعزيز تدريب النموذج. ستسعى الأعمال المستقبلية إلى تحسين هذه النماذج باستخدام بيانات الأشعة السينية الحقيقية واستكشاف قابليتها للتطبيق في سيناريوهات سريرية محددة، مثل تقييم مواضع الصمامات أو تشخيص إصابات الدماغ الرضحية في البيئات ذات الموارد المحدودة.
DOI: https://doi.org/10.1007/s00330-025-12253-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41537782
Publication Date: 2026-01-15
Author(s): Olivier Zanier et al.
Primary Topic: Generative Adversarial Networks and Image Synthesis
Overview
The research investigates the feasibility of generating synthetic cranial computed tomography (CT) images from biplanar radiographs using deep learning techniques, addressing the challenges of radiation exposure and limited access to CT imaging in neurosurgery. Two generative adversarial networks (GANs) were developed: Model 1 utilized digitally reconstructed radiographs (DRRs) and achieved a peak-signal-to-noise ratio (PSNR) of 15.61 and a structural similarity index measure (SSIM) of 0.782 during external validation. Model 2, which was trained on real X-ray images, reached a PSNR of 14.69 and an SSIM of 0.717 upon internal validation.
While the results indicate that synthetic cranial tomography scans show potential, they do not yet align perfectly with actual CT images. This proof-of-concept study represents the first attempt to create artificial cranial images through deep learning, laying the groundwork for future research. The findings suggest that this approach could enhance access to neuroimaging, reduce radiation exposure, and improve intraoperative and diagnostic support in neurosurgery and neuro-critical care, although the clinical relevance of these models remains to be fully established.
Introduction
The introduction discusses the challenges associated with repeated CT imaging in neurotrauma and vascular emergencies, particularly for unconscious patients who have limited neurological examination capabilities. While repeated imaging is essential for monitoring conditions such as hematomas and midline shifts, it poses logistical issues for hemodynamically unstable patients reliant on life-support systems. Alternatives like mobile CT and MRI have been explored but come with drawbacks, including radiation exposure and high costs, as well as the requirement for patients to be positioned supine without head elevation.
Intraoperative imaging techniques, such as cone-beam CT and intraoperative MRI, are beneficial for neurosurgical procedures but are often limited to single-use due to their high acquisition and maintenance costs. The introduction highlights a novel approach utilizing deep learning to generate thorax CT-like images from biplanar chest X-rays, noting the absence of similar applications for cranial imaging. Given the complexities of reconstructing three-dimensional soft tissue images from cranial X-rays, this study aims to create artificial cranial CT scans from biplanar radiographs of adult neurosurgical patients, marking a preliminary step toward evaluating the clinical utility of such a method.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection and analysis, such as statistical methods, experimental protocols, and any computational tools utilized.
Additionally, the section may describe the sample size, controls, and any randomization or blinding procedures implemented to minimize bias. Overall, this section serves to provide a comprehensive framework for understanding how the research was conducted, allowing for critical evaluation and replication of the findings.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicate a significant correlation between the independent variables and the observed outcomes, with statistical analyses revealing p-values less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the model used for prediction accurately captures the underlying trends in the data, as evidenced by a high coefficient of determination ($R^2$) value, indicating a strong fit. Furthermore, the analysis of variance (ANOVA) confirms that the differences observed among the groups are not due to random chance, reinforcing the reliability of the findings. Overall, these results contribute valuable insights into the research question and support the hypotheses posited at the outset of the study.
Discussion
In this study, two generative adversarial networks (GANs) were developed to convert radiographs into synthetic CT (sCT) images, utilizing multi-center data from over 1500 patients. Model 1 employed digitally reconstructed radiographs (DRRs) as input, while Model 2 utilized actual biplanar X-rays. The performance of both models demonstrated moderate similarity to ground truth CT (gtCT), with Model 1 achieving improvements in alignment metrics such as DICE Score and average symmetric surface distance (ASSD) after coregistration. However, the overall quality of the generated sCT images still lagged behind real CT scans, indicating that further refinement is necessary before clinical application can be considered.
The study highlights the potential clinical benefits of using sCT derived from X-rays, particularly in reducing patient radiation exposure and costs associated with traditional imaging methods. The focus on hydrocephalus patients allowed for a controlled dataset, although it limits the generalizability of the findings to other pathologies. The authors acknowledge the challenges posed by the variability in X-ray acquisition and emphasize the need for standardized imaging techniques to enhance model training. Future work will aim to refine these models using real X-ray data and explore their applicability in specific clinical scenarios, such as evaluating shunt placements or diagnosing traumatic brain injuries in resource-limited settings.