La CBCT per la radioterapia può diventare abbastanza precisa da pianificare la dose senza una nuova TAC grazie a un modello che conosce la fisica

La scansione impiegata per puntare la radioterapia serve a posizionare il paziente, ma raramente è affidabile per il calcolo della dose.

La radioterapia non si accontenta di sapere dove si trova il tumore: deve quantificare con precisione i tessuti interposti tra la pelle e il bersaglio, poiché ogni strato assorbe o disperde l’energia in modo diverso. La scansione eseguita nella sala di trattamento è una TC a fascio conico (CBCT), utile per allineare il paziente prima di ogni sessione, ma spesso troppo imprecisa per calcolare la dose che raggiungerà ciascun organo.

La TC di pianificazione impiega una sorgente e un rivelatore di raggi X in movimento elicoidale, fornendo valori più puliti sulla densità dei tessuti. La CBCT è integrata nella sala di trattamento e si acquisisce rapidamente mentre il paziente giace sul lettino. Il limite sta nel fatto che il fascio attraversa più aria e parti del corpo prima di raggiungere il rivelatore: questa dispersione aggiuntiva cancella le sottili differenze tra muscolo, grasso e osso. L’indurimento del fascio si verifica quando i raggi X a bassa energia vengono assorbiti per primi, lasciando un fascio «più duro» che altera l’intensità misurata dei tessuti. La troncatura avviene quando parte del corpo cade fuori dal campo di scansione, costringendo la ricostruzione dell’immagine a partire da informazioni incomplete. Le imperfezioni del rivelatore e i limiti algoritmici aggiungono poi striature, sfocature o bordi distorti.

I valori in un’immagine TC sono espressi in unità Hounsfield, che indicano quanto fortemente il tessuto blocca i raggi X. I motori di dose usano questi numeri per prevedere dove le radiazioni depositeranno energia. Se i valori della CBCT derivano, la dose prevista può risultare eccessiva in un punto e insufficiente in un altro: il contrasto dei tessuti molli cala, si insinuano distorsioni spaziali e piccoli organi possono apparire spostati o sfocati. La terapia adattiva richiede di aggiornare i piani man mano che i tumori si riducono o gli organi si muovono, ma farlo basandosi solo sulla CBCT è rischioso. Un’immagine equivalente alla TC più pulita permetterebbe ai clinici di riutilizzare la scansione della sala di trattamento per la pianificazione, evitando al paziente un’altra esposizione diagnostica.

La geometria dello scanner come vincolo per una ricostruzione stabile dell’immagine

Quando lo scanner ruota attorno al paziente, ogni fascio di raggi X proietta un’ombra del corpo da una specifica angolazione. Se il corpo viene ruotato di un piccolo angolo, le ombre non cambiano forma: si spostano semplicemente lungo il rivelatore della quantità corrispondente. La macchina TC conosce questa relazione perché sorgente e rilevatore seguono un percorso circolare. La geometria offre così un test integrato per qualsiasi volume venga ricostruito.

Il metodo di ricostruzione utilizza questo test come regola di addestramento. Inizialmente, un modello generativo tenta di trasformare una scansione CBCT rumorosa in un volume più pulito, simile a quello TC. Successivamente, il volume ricostruito viene ruotato di piccoli angoli all’interno del suo piano. Il software simula le ombre che tale volume ruotato proietterebbe, impiegando la stessa proiezione diretta che descrive come lo scanner raccoglie i dati. Queste ombre simulate vengono confrontate con le proiezioni TC reali dell’immagine target, dopo averle spostate dello stesso angolo. Se l’anatomia ricostruita non supera questo controllo di rotazione, significa che alcune densità tissutali o bordi sono stati inventati in modo da contraddire la geometria dello scanner.

Questa penalità non chiede al modello di copiare un’immagine più fedelmente. Richiede coerenza tra gli angoli, un approccio più vicino a come funziona l’imaging fisico. La regola scoraggia chiazze, striature e valori dei tessuti molli che sembrano plausibili sullo schermo ma produrrebbero misure impossibili se osservati da una direzione diversa. Poiché il controllo deriva dal percorso di acquisizione dello stesso scanner, fornisce al processo di ricostruzione un punto di riferimento stabile. Il modello continua a imparare anatomia, contrasto e struttura fine dalle scansioni abbinate, ma viene anche istruito a rispettare la geometria che ha generato i dati.

Risultati migliori con dati da più centri e pazienti

Addestrare il modello su scansioni provenienti da due ospedali diversi rende le immagini ricostruite più affidabili quando vengono testate su uno solo dei due centri. Sul set di test con fantomi, il rapporto segnale-rumore massimo passa da circa 31 decibel a 38 decibel e la similarità strutturale sale da 0,92 a 0,99: il volume ricostruito si mantiene così molto più vicino alla TC di riferimento, sia per luminosità che per forma. Il guadagno è maggiore quando il modello ha visto configurazioni di scanner diverse. Anche CycleGAN e una baseline di diffusione semplice migliorano, ma non raggiungono la stessa fedeltà. Nell’addestramento misto, le immagini dei fantomi ricostruiti guadagnano circa 7 decibel rispetto al modello di diffusione semplice: una differenza non trascurabile, dato che i punteggi di confronto delle immagini usano una scala logaritmica. I dati clinici mostrano la stessa direzione, sebbene con un guadagno minore: il rapporto segnale-rumore massimo migliora di circa 1,8 decibel rispetto al modello di diffusione semplice. Il miglioramento si osserva in diverse regioni delle sezioni della testa e del collo, mentre i profili delle unità Hounsfield seguono più da vicino la TC di riferimento, soprattutto all’interno dei confini tissutali. Visivamente, l’addestramento misto produce bordi anatomici più nitidi e meno distorsioni di intensità: cambiamenti utili, poiché il calcolo della dose dipende da valori tissutali stabili. Il modello non ha bisogno di un singolo dataset più grande per ottenere questo vantaggio. Impara dalla diversità, inclusi diversi gruppi di pazienti e pattern di rumore legati allo scanner. Il risultato suggerisce che aggiungere un altro ambiente di acquisizione aiuta l’immagine ricostruita a reggere sotto nuove condizioni. La variabilità diminuisce anche, indicando una prestazione più costante piuttosto che un caso fortunato: sul set di test clinico, la minore variabilità significa che meno sezioni si discostano notevolmente dal riferimento. I volumi ricostruiti diventano quindi più utili quando si passa da una macchina all’altra o tra pazienti diversi.

Perché il modello finale è rapido e non richiede nuove proiezioni

Il modello finale converte una scansione CBCT rumorosa in un volume simile a quello TC in circa 58 secondi per paziente, senza richiedere allo scanner nuove acquisizioni. Questa rapidità si deve a due scelte progettuali. La rete opera in uno spazio latente compresso, evitando di lavorare direttamente su ogni voxel della scansione tridimensionale completa della testa. Un piccolo autoencoder comprime prima ciascun volume in una rappresentazione compatta che conserva le informazioni sulla profondità riducendo i dettagli nel piano. Il modello di diffusione impara poi a pulire e completare questo oggetto più piccolo, un’operazione molto meno costosa rispetto alla modifica ripetuta di milioni di voxel. In secondo luogo, il controllo fisico che lega l’output alla geometria dello scanner viene applicato durante l’addestramento, non al momento del test. Durante l’apprendimento, verifica occasionalmente se un volume candidato produrrebbe letture dello scanner coerenti con una scansione TC più pulita. Questo avviene solo ogni decimo epoch, quindi il suo costo resta sotto il 15 percento del tempo totale di addestramento. Una volta terminato l’addestramento, quel meccanismo di proiezione viene disattivato. In fase di inferenza, il modello riceve solo l’input CBCT ed esegue una sequenza fissa di 100 passi deterministici di denoising nello spazio latente. Non risolve una nuova equazione dello scanner, non cerca raggi mancanti e non aspetta dati aggiuntivi dalla macchina. Il risultato è un flusso di lavoro rapido che si integra nella routine della sala di trattamento, dove i clinici hanno bisogno di un’immagine poco dopo il posizionamento.

Il vincolo geometrico sopravvive all’addestramento

Il punto di forza del metodo sta nel far sì che la geometria dello scanner insegni al modello quali caratteristiche deve possedere un’immagine plausibile. Durante l’addestramento, ruotare un volume sintetico sposta le sue proiezioni in modo prevedibile e coerente con la fisica dell’apparecchio. Se l’immagine generata viola questa regola, la funzione di perdita corregge i valori Hounsfield riportandoli verso una coerenza fisica reale. Questo vincolo non serve solo a rendere più nitidi i bordi: aiuta il modello a mantenere credibili le densità dei tessuti anche quando cambia la configurazione dello scanner. Il risultato è un miglioramento della fedeltà sia sui dati fantasma che sulle scansioni cliniche di testa e collo, con guadagni concreti come un netto aumento della similarità delle immagini sul set di test, un progresso più stabile sui dati dei pazienti e una maggiore accuratezza Hounsfield all’interno dei confini tissutali.

La prospettiva è pratica: se il team di trattamento riesce a recuperare la qualità TC dalla scansione già utilizzata per il posizionamento, la radioterapia adattiva potrà richiedere meno acquisizioni aggiuntive, meno radiazioni, tempi d’attesa più brevi e una pianificazione più semplice. Inoltre, il metodo opera rapidamente in fase di inferenza perché gli operatori fisici sono necessari solo durante l’addestramento, non durante l’uso sui pazienti. Questo lo rende più facile da integrare in un reparto affollato rispetto a un ulteriore passo lento di ricostruzione.

Gli ostacoli restano concreti. Le prove attuali derivano da dati accoppiati di testa e collo, quindi un’adozione più ampia richiederà coorti più grandi, altre sedi corporee e tipi di scanner con differenze ancora maggiori. La fiducia clinica richiede inoltre di dimostrare che le densità sintetizzate sono sicure per il calcolo della dose su tumori, organi a rischio e anatomie variabili nel corso del trattamento. Se un’immagine può essere ricostruita con sufficiente affidabilità dalle misurazioni stesse della macchina, cosa altro nella radioterapia potrebbe smettere di essere considerata usa e getta?