Come la tecnologia degli array di trasduttori sta rivoluzionando la dosimetria protonica in tempo reale

La misura di singoli punti attraverso sensori dedicati ha indubbi vantaggi, ma la sua applicazione è limitata in assenza di un sistema di movimento meccanico che consenta una scansione traslazionale. Questa limitazione impedisce la creazione di immagini, vincolando le misurazioni a singole linee di scansione e ostacolando la possibilità di ottenere una dosimetria tridimensionale in tempo reale con un singolo trasduttore. Proprio per questa ragione, si è sviluppata una crescente spinta verso l’impiego di array di trasduttori, strumenti che, a differenza dei trasduttori singoli, permettono di acquisire e ricostruire immagini 3D della distribuzione della dose nel corpo, in tempo reale.

Nel campo della protonoterapia, l’utilizzo di un array di trasduttori per la dosimetria in vivo ha rivelato il potenziale per monitorare in tempo reale la distribuzione della dose, un aspetto fondamentale per garantire la precisione del trattamento. Le simulazioni condotte su modelli numerici hanno confermato che l’array di trasduttori è in grado di rilevare la distribuzione della dose con un'accuratezza senza precedenti, e di ricostruire in modo preciso la posizione del picco di Bragg, la caratteristica principale della protonterapia che permette una concentrazione mirata della dose nel tumore.

La sfida successiva riguarda l’elaborazione del segnale acustico prodotto da queste onde termoacustiche. A causa del basso rapporto segnale-rumore (SNR) presente nelle misurazioni protoacustiche, l’elaborazione del segnale è fondamentale. Per migliorare la qualità dei dati, sono state sviluppate diverse tecniche di filtraggio, come l’uso di filtri passa-basso, filtri wavelet e altri strumenti di riduzione del rumore. In particolare, i filtri wavelet hanno mostrato un notevole potenziale nel migliorare il SNR dei segnali protoacustici, consentendo di ottenere dati più precisi e affidabili. L’applicazione di queste tecniche di filtraggio è essenziale per l’accuratezza e la qualità delle immagini ricostruite, aprendo nuove possibilità per l’impiego di questa tecnologia nei trattamenti oncologici.

La localizzazione precisa del picco di Bragg rimane una delle principali sfide nella protonterapia. Seppur tecniche come il filtro dei segnali tramite template simulati abbiano permesso di migliorare l’accuratezza, nuove ricerche suggeriscono che l’utilizzo di onde acustiche sferiche ionoacustiche con frequenza risonante (SPIRE) potrebbe ridurre ulteriormente l’incertezza associata alla determinazione della posizione del picco di Bragg. Queste onde, emesse da marcatori d’oro sferici situati nei tumori, presentano un’ampiezza correlata linearmente alla posizione del raggio protonico, permettendo così una misurazione più accurata.

Infine, uno degli aspetti più rilevanti nella terapia protonica è la dosimetria in vivo. Questo tipo di misurazione, che consente di monitorare in tempo reale la dose somministrata al paziente, è cruciale per il successo del trattamento. L’impiego di array di trasduttori per raccogliere e analizzare i segnali acustici termoacustici ha mostrato di essere particolarmente utile per la valutazione della dose in tempo reale, grazie alla possibilità di correlare l’ampiezza del segnale con la quantità di carica depositata nel tumore.

La combinazione di avanzamenti nella tecnologia degli array di trasduttori e delle tecniche di elaborazione del segnale ha il potenziale per rivoluzionare il campo della protonterapia. L’accuratezza nella ricostruzione 3D della distribuzione della dose e la possibilità di monitorare in tempo reale i cambiamenti nel trattamento offrono nuove speranze per migliorare l'efficacia delle terapie oncologiche. Questo progresso, se adeguatamente sviluppato e integrato nella pratica clinica, potrebbe segnare un cambiamento fondamentale nell'approccio alla cura del cancro, assicurando trattamenti sempre più precisi e personalizzati per ogni paziente.

Come la Tomografia Fotoacustica (PA) può Rivoluzionare la Medicina e il Monitoraggio della Guarigione delle Ferite

La tomografia fotoacustica si basa sul contrasto fornito dall'emoglobina nel sangue, permettendo di mappare l'angiogenesi locale, la perfusione tissutale e la saturazione di ossigeno, tutti parametri cruciali per il processo di guarigione delle ferite. Un primo studio pilota di Mantri et al. ha esplorato l’uso combinato di imaging PA a LED e ultrasonografia (US) per monitorare l’angiogenesi e stratificare i pazienti in base alla loro risposta terapeutica. In un periodo di tre settimane, i ricercatori hanno esaminato 19 pazienti con 22 ferite, ottenendo risultati che suggeriscono che la tomografia fotoacustica può visualizzare direttamente l'angiogenesi, fornendo informazioni preziose per la stratificazione dei pazienti in base alla risposta ai trattamenti. Questo approccio potrebbe rivoluzionare il modo in cui i medici monitorano e trattano le ferite croniche.

Un esempio significativo di come l'imaging PA possa essere utile nella guarigione delle ferite è il caso di una paziente di 82 anni con un'ulcera cronica alla caviglia. Le immagini di tomografia fotoacustica hanno permesso di tracciare l'angiogenesi nel letto della ferita, osservando la crescita di nuovi vasi sanguigni durante un periodo di 29 giorni. Questi dati sono stati correlati al miglioramento della guarigione della ferita, rivelando una stretta connessione tra angiogenesi e chiusura della ferita.

In un contesto chirurgico, la visualizzazione pre-operatoria dei vasi linfatici nei pazienti con linfedema secondario rappresenta un altro campo di applicazione promettente per la tomografia fotoacustica. La diagnosi e il trattamento del linfedema richiedono una mappatura accurata dei vasi linfatici per pianificare interventi come il bypass linfovenoso. In uno studio europeo, i ricercatori hanno utilizzato l'imaging PA a LED per visualizzare i vasi linfatici e venosi in pazienti con linfedema. I risultati hanno mostrato che la tomografia fotoacustica a LED fornisce una maggiore risoluzione dei vasi linfatici rispetto alla fluoroscopia a infrarossi, permettendo una visualizzazione dettagliata delle strutture vascolari anche in presenza di flusso retrogrado dermico.

È fondamentale che i professionisti del settore medico comprendano le potenzialità e i limiti di questa tecnologia, affinché possano sfruttarla al meglio nelle loro pratiche cliniche. La tomografia fotoacustica offre una visione in tempo reale dei processi fisiologici e patologici in atto nel corpo umano, ma richiede anche un’attenta valutazione del contesto di utilizzo e dei parametri tecnici specifici per ottenere i risultati più accurati.

Come la tecnologia PACT basata su array curvi e LED sta rivoluzionando l'imaging fotoacustico

La fotoacustica è una tecnica che sfrutta l'energia ottica per generare segnali acustici, i quali vengono successivamente utilizzati per formare immagini ad alta risoluzione dei tessuti biologici. Tra le diverse tecnologie sviluppate per migliorare la qualità e la velocità di acquisizione delle immagini fotoacustiche, i sistemi che utilizzano array di trasduttori curvi e LED si stanno imponendo come soluzioni promettenti, soprattutto per applicazioni in vivo.

Nel contesto degli imaging fotoacustici, i sistemi LED-PACT (Photoacoustic Tomography) offrono vantaggi significativi, come la capacità di ottenere immagini ad alta risoluzione con un costo relativamente basso rispetto ai tradizionali laser Nd:YAG, che sono molto più costosi. Un sistema LED-based, operante a 850 nm, è stato utilizzato con successo per l'imaging di dita umane, con un array circolare di trasduttori che permetteva di risolvere vasi sanguigni fino a 0,2 mm di diametro. Questo tipo di approccio, utilizzando LED invece di laser, riduce notevolmente il costo e la complessità del sistema, senza compromettere la qualità dell'immagine.

Tuttavia, uno dei principali problemi nei sistemi PACT basati su SET (Scanning Elements Transducers) è la gestione dei cavi durante la rotazione dei trasduttori. Una soluzione proposta per questo problema è l'uso di un "slip-ring", che consente la rotazione senza compromettere il trasferimento di energia elettrica. Questa tecnologia, ampiamente utilizzata in tomografie come la TC e la RM, è stata adattata per facilitare il movimento continuo dei trasduttori, mantenendo al contempo la qualità del segnale.

Anche l'ottimizzazione della geometria di scansione sta migliorando rapidamente. I sistemi PACT con SET utilizzano una geometria circolare per la scansione, combinata con illuminazione ortogonale e rilevazione acustica. L'uso di multiple fonti LED e transduttori simultanei consente di velocizzare la scansione, migliorando ulteriormente la qualità dell'immagine. In esperimenti condotti su topi nudi, sono state acquisite immagini della colonna vertebrale, dei reni, del fegato e dei vasi sanguigni, con un rapporto segnale-rumore (SNR) pari a 25, che è considerato molto buono per la qualità dell'immagine ottenuta.

Inoltre, l'uso dell'apprendimento profondo (deep learning) sta giocando un ruolo chiave nel miglioramento delle immagini acquisite. Algoritmi avanzati di elaborazione delle immagini consentono di ridurre il rumore e migliorare la risoluzione, portando a una qualità dell'immagine simile a quella ottenuta con sistemi più costosi e complessi. Questo è particolarmente rilevante per studi preclinici su modelli animali, dove la velocità e la qualità dell'imaging sono cruciali.

Un altro esempio di sistema curvo è il "Laser Optoacoustic Imaging System" (LOIS), utilizzato per l’imaging della mammella umana, che impiega un laser a Q-switched Alexandrite. Il LOIS ha dimostrato di essere molto utile nella rilevazione del cancro al seno, un'applicazione estremamente importante per la diagnostica precoce.

Un altro passo significativo è stato compiuto con il sistema TROPUS, un sistema di imaging ibrido che combina l'imaging ultrasonico (US) e fotoacustico (PA). Questo approccio ha mostrato di poter ottenere immagini ad alta risoluzione delle sezioni trasversali del corpo di piccoli animali, fornendo informazioni su diversi parametri fisici, come l'energia ottica, la riflettività acustica, l'attenuazione acustica e la velocità del suono, tutti con una risoluzione sub-millimetrica. La combinazione di queste tecniche in un'unica scansione è promettente per un imaging più completo e preciso.

Il miglioramento continuo delle tecnologie PACT, sia con array curvi che con LED, non solo sta abbattendo i costi degli apparecchi ma sta anche spingendo i limiti delle applicazioni cliniche e precliniche. La possibilità di eseguire imaging in tempo reale su modelli animali o anche sull'uomo sta diventando sempre più concreta grazie all'innovazione nei sistemi di trasduttori, all'uso di algoritmi di deep learning e all'adozione di tecnologie come i sistemi a array curvi e LED.

Per comprendere appieno il potenziale di questi sviluppi, è essenziale sottolineare che l'adozione di questi sistemi non è solo una questione di risparmio sui costi, ma anche di apertura a nuove possibilità in ambito diagnostico. Il passaggio da sistemi costosi e complessi a soluzioni più accessibili non significa una diminuzione della qualità, ma piuttosto una democratizzazione della tecnologia fotoacustica che potrebbe beneficiare una più ampia gamma di applicazioni cliniche e precliniche.

Quali sono le potenzialità e i limiti della fotoacustica endoscopica nella diagnostica medica?

Il concetto di base della PAE si radica nelle scoperte storiche relative all’effetto fotoacustico, che risale alla fine del XIX secolo con il fisico Alexander Graham Bell, che per primo teorizzò l’effetto. Tuttavia, il vero progresso nella tecnologia fotoacustica avvenne negli anni '90, quando si cominciò ad esplorare l'uso delle onde ultrasoniche generate da luce laser per l’imaging biologico. Questo approccio ha dato vita all'imaging fotoacustico moderno, capace di fornire informazioni sia strutturali che funzionali, rendendo possibile una visualizzazione più precisa e profonda rispetto alle tecniche tradizionali.

In parallelo, l'endoscopia, che ha origini nei primi decenni del XX secolo, ha visto notevoli miglioramenti, evolvendo da rigidi strumenti ottici a sonde flessibili in grado di esplorare le cavità corporee in modo meno invasivo. L'integrazione di queste due tecnologie ha creato la PAE, unendo i vantaggi di entrambe. Fin dagli inizi del 2000, sono stati sviluppati prototipi di dispositivi endoscopici che utilizzano principi fotoacustici, dando vita a dispositivi miniaturizzati che possono rilevare segnali fotoacustici in tessuti biologici con una sensibilità senza pari.

Questa tecnologia ha trovato applicazione in una varietà di contesti medici, tra cui la rilevazione precoce del cancro, la valutazione delle malattie vascolari e la diagnosi di altre patologie interne. La capacità di ottenere immagini ad alta risoluzione di tessuti profondi e di fornire informazioni funzionali e molecolari ha aperto nuovi orizzonti per la diagnosi precoce e il trattamento mirato delle malattie. L’utilizzo della PAE ha mostrato un grande potenziale nel monitoraggio delle lesioni tumorali, nella mappatura delle strutture vascolari e nel miglioramento delle procedure chirurgiche grazie alla possibilità di visualizzare i tessuti in tempo reale.

Tuttavia, nonostante le promesse della PAE, ci sono ancora diverse sfide da affrontare prima che questa tecnologia possa essere ampiamente adottata in clinica. Tra queste, vi sono problemi legati alla profondità di penetrazione delle onde fotoacustiche nei tessuti, alla risoluzione delle immagini nelle aree più complesse da esplorare, e alla necessità di migliorare la velocità di acquisizione delle immagini per adattarsi meglio alle esigenze cliniche. Inoltre, la capacità di distinguere tra i vari tipi di tessuti e di ottenere immagini chiare in presenza di rumori biologici o artefatti rimane una delle principali difficoltà da superare.

Per il futuro, la possibilità di impiegare la fotoacustica endoscopica per la visualizzazione e il trattamento delle malattie a livello microscopico è estremamente promettente. Tuttavia, per un’adozione più ampia e sicura della tecnologia, sarà necessario un ulteriore sviluppo di dispositivi miniaturizzati, miglioramenti nella capacità di imaging profondo, e ottimizzazione delle tecniche di elaborazione delle immagini. Gli sviluppi in corso promettono un futuro in cui la PAE potrebbe diventare una routine nei reparti di diagnostica avanzata, portando benefici significativi in termini di accuratezza, tempestività e personalizzazione delle cure.

Come l'apprendimento profondo può migliorare l'imaging fotoacustico: dataset e sfide

Disponibilità dei dataset per l'apprendimento profondo

I principali dataset utilizzati nell'imaging fotoacustico sono divisi in due categorie: dataset sperimentali e dataset di verità a terra ottenuti tramite simulazioni. L'acquisizione di dataset sperimentali per l'imaging fotoacustico è, infatti, un'impresa complessa. Tuttavia, sono disponibili alcune raccolte che possono essere sfruttate per l'addestramento e la validazione di algoritmi di deep learning. Un esempio significativo è il dataset fornito da Razansky et al., che offre immagini di topi in vivo con visualizzazioni complete e limitate [65]. Questo set di dati è utile per addestrare modelli focalizzati sulla rimozione degli artefatti nelle ricostruzioni di visioni limitate. Il team di Razansky ha messo a disposizione anche un repository online per un accesso continuo [115].

Un altro esempio interessante proviene dall'Università di Twente, con un dataset destinato all'imaging mammario, utile per esplorare diverse metodologie in questo ambito [116, 117]. D'altro canto, il gruppo di Johns Hopkins ha reso disponibile un insieme di dati che include sia dati sperimentali che simulati per affrontare gli artefatti di riflessione nelle immagini fotoacustiche [118]. Inoltre, dataset destinati all'imaging microscopico fotoacustico, come quelli raccolti da Yao et al. presso la Duke University, offrono una risorsa utile per lo sviluppo di metodi di upsamping per microscopi fotoacustici [119, 120].

Accanto ai dati sperimentali, un'altra risorsa fondamentale per l'addestramento dei modelli è rappresentata dai dataset di verità a terra derivanti da simulazioni. In questo contesto, immagini di vasi sanguigni simulati o fantocci digitali vengono generati tramite modelli numerici, come nel caso della simulazione dell'imaging mammario che utilizza il Virtual Imaging Clinical Trial for Regulatory Evaluation [128]. Questi dataset, che riproducono la struttura vascolare umana con dettagli anatomici realistici, sono fondamentali per allenare algoritmi in grado di riconoscere e analizzare strutture complesse come i vasi sanguigni.

Sfide nell'analisi dei dati fotoacustici con apprendimento profondo

Inoltre, la qualità dei modelli di deep learning dipende dalla varietà e dalla quantità dei dati utilizzati durante l'addestramento. La possibilità di ottenere dati da una gamma diversificata di fonti è essenziale per evitare modelli che possano esibire prestazioni scadenti quando si trovano di fronte a nuove situazioni cliniche. Un altro aspetto fondamentale è la comparazione tra modelli diversi: per avere una valutazione corretta delle prestazioni, occorre considerare diversi fattori come la velocità e l'accuratezza, nonché le risorse hardware utilizzate durante il test dei modelli. I modelli basati su deep learning sono spesso eseguiti su GPU, mentre gli algoritmi tradizionali possono essere eseguiti su CPU, il che può alterare la comparazione diretta.

Un altro aspetto cruciale riguarda la trasparenza dei modelli di deep learning. In contesti come quello dell'imaging medico, è fondamentale che i clinici siano in grado di comprendere come i parametri siano stati scelti e come il modello stia eseguendo determinate analisi. Una documentazione chiara su come sono stati selezionati i parametri e un’analisi trasparente delle caratteristiche apprese dal modello sono essenziali per il miglioramento delle pratiche cliniche e per facilitare confronti oggettivi tra diversi approcci.

Importanza della validazione clinica

La valutazione clinica dei modelli di deep learning è essenziale, soprattutto quando vengono utilizzati metodi complessi come le reti generative avversarie (GAN). I clinici hanno la capacità di identificare artefatti o strutture avversarie nelle immagini generate, un aspetto che potrebbe sfuggire a una valutazione puramente automatica. Integrare la prospettiva clinica nella fase di analisi dei dati permette di arricchire la valutazione complessiva, aumentando la robustezza del modello e assicurando che i risultati siano realmente utili in un contesto sanitario.