Progressi nella RMI quantitativa per una migliore assistenza ai pazienti
Per molti la risonanza magnetica per immagini (RMI), caratterizzata da una sensibilità e una specificità quasi del 100 %, è lo standard di riferimento della diagnostica per immagini. Ciò è particolarmente vero per quanto riguarda l’esame dei tessuti molli, quali il cervello: l’RMI fornisce ai radiologi un’immagine molto più nitida dell’organo rispetto a una radiografia o a una tomografia computerizzata (TAC). Tuttavia, anche l’RMI ha i suoi difetti. «Sebbene l’RMI eccella nel fornire immagini altamente dettagliate, si tratta di immagini qualitative», afferma Jan Sijbers, professore dell’Università di Anversa. «Ciò significa che il contrasto risultante dipende fortemente non solo dai tessuti sottostanti, ma anche dal tipo di scanner e dal protocollo utilizzato per acquisire l’immagine.» Questa natura qualitativa delle immagini dell’RMI può ostacolare la capacità del radiologo di eseguire un confronto quantitativo delle proprietà dei tessuti all’interno di una scansione, fra scansioni successive e fra soggetti diversi, tutti elementi essenziali per giungere a una diagnosi corretta.
Misurazione precisa delle caratteristiche cerebrali
Questa limitazione ha condotto allo sviluppo dell’RMI quantitativa (qRMI). «Nella qRMI il contrasto è direttamente correlato alle caratteristiche biofisiche sottostanti del tessuto molle, il che migliora notevolmente la diagnosi clinica», spiega Sijbers. «Il problema è che la qRMI comporta un tempo di scansione lungo, che la rende scomoda per il paziente e costosa per la clinica.» Grazie al sostegno del progetto B-Q MINDED, finanziato dall’UE, Sijbers sta guidando uno sforzo per colmare il divario fra RMI qualitativa e quantitativa. «Il nostro obiettivo è trasformare l’RMI da una modalità immaginografica pura a uno strumento quantitativo per la misurazione precisa delle caratteristiche cerebrali.»
Migliorare la cura dei pazienti
Uno dei risultati principali del progetto è stato l’elaborazione e la convalida dei metodi di ricostruzione a super-risoluzione (SRR), che consentono al radiologo di ricostruire immagini chiare e ad alta risoluzione a partire dall’immagine di un singolo fotogramma a bassa risoluzione. Grazie a questi metodi i ricercatori coinvolti nel progetto sono stati in grado di calcolare mappe di parametri per la qRMI ad alta risoluzione utilizzando una serie di immagini di RMI qualitative a bassa risoluzione. «L’uso dei metodi SRR ha ridotto notevolmente il tempo di acquisizione, mantenendo al contempo la risoluzione spaziale e il rapporto segnale/rumore», aggiunge Sijbers. I ricercatori hanno anche elaborato metodi per l’armonizzazione dei dati e la stima affidabile dei parametri di diffusione. Un altro risultato importante è stata la realizzazione di una mappatura T1 (tempo di rilassamento longitudinale) e T2 (tempo di rilassamento trasversale) basata su macchine di inferenza ricorrenti, che ha permesso di ridurre di 100 volte il tempo necessario per dedurre mappe quantitative. «Questi risultati consentiranno ai radiologi di giungere più facilmente e oggettivamente a conclusioni sullo stato della malattia cerebrale, migliorando così la cura dei pazienti», osserva Sijbers.
Ulteriori progressi della qRMI
Secondo Sijbers, il successo di questo progetto, sostenuto dalle azioni Marie Skłodowska-Curie, è il risultato diretto del coinvolgimento nel lavoro di 15 giovani e brillanti ricercatori in fase iniziale di carriera. «È stato un vero privilegio far parte di questo gruppo dinamico e osservare come hanno lavorato insieme per elaborare e applicare efficacemente i metodi della RMI quantitativa nella pratica preclinica», afferma. «Hanno reso questo progetto il più interessante ed emozionante della mia carriera.» Questi ricercatori faranno ora tesoro dell’esperienza e delle conoscenze acquisite durante il progetto e le applicheranno per far progredire ulteriormente la qRMI. Allo stesso tempo, Sijbers inizierà presto a lavorare con una nuova generazione di ricercatori in fase iniziale di carriera a un progetto che mira a incorporare l’intelligenza artificiale nei metodi di qRMI.
Parole chiave
B-Q MINDED, RMI quantitativa, qRMI, radiologo, malattie cerebrali, immaginografia, diagnosi, ricostruzione a super-risoluzione, SRR, ricercatori in fase iniziale di carriera, intelligenza artificiale
