A tomografia usada para alinhar a radioterapia pode ficar precisa o suficiente para planejar a dose sem exigir outro exame

O exame utilizado para alinhar a radioterapia auxilia no posicionamento do paciente, porém raramente oferece confiabilidade suficiente para o cálculo da dose que

A radioterapia exige mais do que uma noção aproximada da localização do tumor. É preciso saber exatamente quanto tecido existe entre a pele e o alvo, pois cada camada absorve ou espalha energia de forma distinta. O exame realizado na sala de tratamento é a tomografia computadorizada de feixe cônico (TCFC), que ajuda a equipe a posicionar o paciente antes de cada sessão. Essa função é útil, mas a mesma imagem raramente pode ser confiável quando os clínicos calculam a dose que chegará a cada órgão.

A TC de planejamento utiliza uma fonte de raios X e um detector em trajetória helicoidal, o que fornece valores mais limpos para a densidade dos tecidos. A TCFC está integrada à sala de tratamento, permitindo que seja realizada rapidamente enquanto o paciente permanece na maca. O custo dessa vantagem é que o feixe atravessa mais ar e partes do corpo antes de atingir o detector. Esse espalhamento extra apaga as diferenças sutis entre músculo, gordura e osso. O endurecimento do feixe ocorre quando os raios X de baixa energia são absorvidos primeiro, deixando um feixe mais “duro” que altera a escuridão medida dos tecidos. A truncagem acontece quando parte do corpo fica fora do campo varrido, fazendo com que a imagem seja reconstruída a partir de informações incompletas. Imperfeições do detector e limites da reconstrução adicionam listras, embaçamento ou bordas distorcidas.

Os valores em uma imagem de TC são expressos em unidades Hounsfield, que descrevem o quanto o tecido atenua os raios X. Os motores de dose usam esses números para prever onde a radiação depositará energia. Quando os valores da TCFC se desviam, a dose prevista pode ficar alta demais em um ponto e baixa demais em outro. O contraste dos tecidos moles diminui, distorções espaciais surgem e órgãos pequenos podem parecer deslocados ou embaçados. A terapia adaptativa busca atualizar os planos conforme os tumores encolhem ou os órgãos se movem, mas fazer isso apenas com a TCFC é arriscado. Uma imagem equivalente de TC mais limpa permitiria que os clínicos reutilizassem o exame da sala de tratamento para o planejamento sem expor o paciente a outro exame diagnóstico.

Como um teste de rotação, inspirado na física do equipamento, estabiliza a reconstrução das imagens

Quando o equipamento gira ao redor do paciente, cada feixe de raios X projeta uma sombra do corpo sob um ângulo específico. Se esse mesmo corpo for rotacionado por um pequeno ângulo, as sombras não mudam de forma. Apenas se deslocam pelo detector na medida correspondente. A tomografia computadorizada conhece essa relação porque sua fonte e seu detector seguem um caminho circular, o que fornece à geometria um teste embutido para qualquer volume reconstruído.

O método de reconstrução utiliza esse teste como regra de treinamento. Primeiro, um modelo generativo tenta transformar a varredura ruidosa de feixe cônico em um volume mais limpo, semelhante ao da tomografia computadorizada padrão. Em seguida, o volume reconstruído é rotacionado por pequenos ângulos dentro do seu plano. O software simula as sombras que esse volume rotacionado projetaria, usando a mesma projeção direta que descreve como o equipamento coleta dados. Essas sombras simuladas são comparadas com as projeções reais da tomografia de referência após serem deslocadas pelo mesmo ângulo. Se a anatomia reconstruída não passar nesse teste de rotação, significa que alguma densidade tecidual ou borda foi inventada de forma contraditória à geometria do equipamento.

Essa penalidade não exige que o modelo copie uma imagem com mais precisão. Ela busca consistência entre os ângulos, o que se aproxima mais do funcionamento da imagem física. A regra pode inibir manchas, listras e valores de tecidos moles que parecem plausíveis na tela, mas gerariam medições impossíveis quando vistos de outra direção. Como a verificação deriva do próprio caminho de aquisição do equipamento, ela oferece uma âncora estável ao processo de reconstrução. O modelo continua aprendendo anatomia, contraste e estrutura fina a partir dos exames em pares, mas também é orientado a respeitar a geometria que originou os dados.

Ganhos na reconstrução de imagens ruidosas ao variar máquinas e pacientes

Treinar o modelo com exames de dois hospitais distintos torna as imagens reconstruídas mais confiáveis quando testadas em cada um dos centros isoladamente. No conjunto de testes do fantoma, a razão de pico sinal-ruído subiu de cerca de 31 decibéis para 38 decibéis. A similaridade estrutural passou de 0,92 para 0,99. Isso significa que o volume reconstruído ficou muito mais próximo da tomografia computadorizada de referência, tanto em brilho quanto em forma. O ganho foi maior quando o modelo teve acesso a mais de uma configuração do equipamento. O CycleGAN e um modelo de difusão simples também melhoraram, mas não atingiram a mesma fidelidade. No treinamento misto, as imagens do fantoma reconstruídas ganharam cerca de 7 decibéis em relação ao modelo de difusão simples. Essa diferença não é pequena, pois as métricas de comparação de imagem usam uma escala logarítmica. Os dados clínicos mostraram a mesma tendência, embora com um ganho menor. Nesses casos, a razão de pico sinal-ruído melhorou em cerca de 1,8 decibéis em relação ao modelo de difusão simples. A melhora apareceu em diferentes regiões das fatias de cabeça e pescoço. Os perfis de unidades Hounsfield também acompanharam a tomografia computadorizada de referência com mais precisão, especialmente dentro dos limites do tecido. Visualmente, o treinamento misto produziu bordas anatômicas mais nítidas e menos distorções de intensidade. Como o cálculo da dose depende de valores estáveis de tecido, essas mudanças são úteis. O modelo não precisou de um conjunto de dados único maior para obter esse benefício. Ele aprendeu com a diversidade, incluindo diferentes grupos de pacientes e padrões de ruído associados ao equipamento. O resultado sugere que adicionar outro ambiente de aquisição ajuda a imagem reconstruída a se manter sob novas condições. A variabilidade também caiu, o que indica um desempenho mais estável em vez de um melhor caso por sorte. No conjunto de testes clínicos, menor variabilidade significou menos fatias que se desviaram muito da referência. Assim, os volumes reconstruídos tornaram-se mais úteis ao passar entre máquinas e pacientes.

Como o modelo pronto processa a imagem em segundos, sem exigir novas medições do equipamento

O modelo final converte o exame ruidoso de feixe cônico em um volume com características de tomografia computadorizada (TC) em cerca de 58 segundos por paciente, sem exigir novas medições do equipamento. Essa rapidez decorre de duas escolhas de projeto. A primeira é que a rede neural opera em um espaço latente comprimido, e não diretamente sobre cada voxel da varredura tridimensional completa da cabeça. Um autoencoder compacto reduz primeiro o volume para uma representação densa, preservando as informações de profundidade enquanto diminui os detalhes no plano transversal. Em seguida, o modelo de difusão aprende a limpar e completar esse objeto menor, um processo muito mais barato do que editar repetidamente milhões de voxels. A segunda escolha é aplicar a verificação física, que vincula a saída à geometria do scanner, apenas durante o treinamento, não no momento da inferência. Durante o aprendizado, o sistema verifica ocasionalmente se um volume candidato geraria leituras do equipamento consistentes com uma TC mais limpa. Isso ocorre somente a cada décima época, mantendo o custo abaixo de 15% do tempo total de treinamento. Ao final do treino, esse mecanismo de projeção é desligado. Na inferência, o modelo recebe apenas a entrada do feixe cônico e executa uma sequência fixa de 100 passos determinísticos de remoção de ruído no espaço latente. Ele não resolve novas equações do scanner, nem busca raios faltantes, nem aguarda dados extras da máquina. O resultado é um fluxo de trabalho rápido que se integra à rotina da sala de tratamento, onde os clínicos precisam da imagem logo após o posicionamento.

Um controle físico que persiste mesmo depois do treinamento

O ponto central é permitir que a geometria do equipamento ensine ao modelo o que uma imagem plausível deve fazer. Durante o treinamento, se um volume sintético gira, suas projeções devem se deslocar exatamente da mesma forma. Se a imagem gerada viola essa regra, a função de perda a corrige, empurrando-a de volta para valores de Hounsfield fisicamente consistentes. Essa restrição faz mais do que apenas afiar bordas: ela ajuda o modelo a manter as densidades dos tecidos críveis ao passar de uma configuração de equipamento para outra. Além disso, melhora a fidelidade tanto nos dados de fantoma quanto nas tomografias clínicas de cabeça e pescoço. Os ganhos são concretos: um grande salto na similaridade da imagem no conjunto de fantasmas, uma melhoria mais estável nos dados dos pacientes e maior precisão nos valores de Hounsfield dentro das fronteiras dos tecidos.

A promessa mais ampla é prática. Se a equipe de tratamento puder recuperar a qualidade da tomografia computadorizada (TC) a partir do exame já usado para posicionamento, a radioterapia adaptativa poderá exigir menos aquisições extras, menos radiação, esperas mais curtas e um planejamento mais simples. O método também roda rapidamente na inferência porque os operadores físicos só são necessários durante o treinamento, não durante o uso com pacientes. Isso torna mais fácil imaginá-lo em uma clínica movimentada do que outra etapa lenta de reconstrução.

Os obstáculos permanecem reais. As evidências vêm de dados pareados de cabeça e pescoço, então a adoção mais ampla precisará de coortes maiores, mais sítios corporais e tipos de equipamento que diferem ainda mais fortemente. A confiança clínica também exige mostrar que as densidades sintetizadas são seguras para o cálculo da dose em tumores, órgãos em risco e anatomia que muda ao longo de um curso de tratamento. Se uma imagem puder ser reconstruída com confiança suficiente a partir das próprias medições da máquina, o que mais na radioterapia poderia deixar de ser tratado como descartável?