La capacità di distinguere con precisione le caratteristiche dei tessuti, riducendo contemporaneamente la dose di radiazioni e i tempi di esecuzione degli esami, rappresenta oggi una delle principali direttrici di evoluzione della diagnostica per immagini. Una sfida che emerge con particolare evidenza nei contesti clinici ad alta intensità – dall’emergenza all’oncologia, fino all’imaging cardiovascolare – dove i professionisti sanitari devono ottenere informazioni sempre più dettagliate in tempi rapidi, mantenendo al contempo protocolli sostenibili per pazienti e strutture.
È in risposta a queste esigenze che si colloca Spectral CT Verida, la nuova tomografia computerizzata spettrale sviluppata da Philips e installata al Policlinico Sant’Orsola di Bologna, uno dei due soli sistemi attualmente operativi a livello mondiale.
Imaging spettrale: dal grigio al colore, con informazioni aggiuntive sui tessuti
A differenza delle TC convenzionali, che acquisiscono un’unica informazione per ogni scansione restituendo immagini in scala di grigi, Spectral CT Verida introduce un paradigma differente basato su imaging spettrale multiparametrico a colori.
Il sistema utilizza un detettore Dual Layer, capace di acquisire simultaneamente fotoni a bassa e alta energia. Questo consente di misurare in modo differenziato come i tessuti assorbono i diversi livelli energetici dei raggi X, evidenziando caratteristiche che nelle immagini tradizionali risultano indistinguibili. Ne deriva una maggiore capacità di distinguere materiali e strutture biologiche con precisione più elevata, un elemento particolarmente rilevante in ambito oncologico e cardiovascolare.
Un ulteriore elemento distintivo riguarda il fatto che l’operatore non deve selezionare a priori protocolli specifici: il sistema acquisisce sempre tutte le informazioni spettrali, rendendo questo tipo di imaging disponibile in ogni esame e semplificando in modo significativo il flusso di lavoro.
Prestazioni e produttività: ricostruzione accelerata e alto volume di esami
Sul piano operativo, la piattaforma integra un algoritmo in grado di ricostruire fino a 145 immagini al secondo, consentendo di completare un esame in pochi secondi. Questo livello di prestazione si traduce, nei contesti più intensivi, nella possibilità di eseguire fino a 270 esami al giorno, valore derivato da test interni condotti su una giornata lavorativa di 16 ore articolata su due turni, con configurazioni simulate basate su fantocci.
La combinazione tra velocità di acquisizione e capacità di elaborazione ha un impatto diretto sull’efficienza dei reparti di radiologia, soprattutto in strutture caratterizzate da elevati volumi di pazienti.
Riduzione di dose e mezzo di contrasto
L’utilizzo della tecnologia spettrale consente inoltre di ottenere immagini diagnostiche di alta qualità con minori dosi di radiazioni e di mezzo di contrasto, grazie alla disponibilità di informazioni aggiuntive sui tessuti. Le valutazioni relative alla riduzione della dose sono state effettuate utilizzando protocolli di riferimento anatomico e, nella pratica clinica, i benefici possono variare in funzione del tipo di esame, delle caratteristiche del paziente e della regione anatomica considerata, richiedendo sempre una valutazione medica per determinare il corretto equilibrio tra qualità diagnostica ed esposizione.
Intelligenza artificiale lungo tutta la catena dell’imaging
L’elemento di maggiore discontinuità introdotto da Spectral CT Verida è rappresentato dall’integrazione dell’intelligenza artificiale lungo l’intero processo di imaging, dalla fase di acquisizione fino alla ricostruzione finale delle immagini.
Il sistema utilizza la tecnologia Spectral Precise Image, basata su algoritmi di deep learning, che consente di ottenere immagini più pulite e coerenti anche a basse dosi di radiazioni, contribuendo al tempo stesso a una riduzione dei consumi energetici fino al 45% rispetto ai sistemi tradizionali.
Spectral Precise Image: il motore di ricostruzione AI tra fisica e modelli neurali
Al centro dell’architettura di Spectral CT Verida si colloca Spectral Precise Image, il motore di ricostruzione proprietario basato su deep learning che rappresenta uno degli elementi di maggiore discontinuità rispetto alle pipeline tradizionali di tomografia computerizzata.
Dal punto di vista metodologico, questa tecnologia si inserisce nel paradigma della deep learning image reconstruction (DLIR), che supera l’approccio classico fondato sulla modellazione esplicita del sistema fisico. Nelle TC convenzionali, la ricostruzione dell’immagine avviene attraverso algoritmi analitici come la filtered back projection (FBP) o mediante tecniche iterative (IR), che incorporano modelli matematici della geometria di acquisizione e della statistica del rumore. Questi metodi, pur evoluti, presentano limiti strutturali: la FBP è sensibile al rumore, mentre le tecniche iterative, pur migliorandone la gestione, possono introdurre texture artificiali e richiedono compromessi tra qualità dell’immagine e tempi di elaborazione.
La DLIR introduce un cambio di paradigma: invece di descrivere esplicitamente il sistema, utilizza reti neurali profonde — tipicamente convolutional neural networks — addestrate su grandi volumi di dati clinici per apprendere direttamente la trasformazione tra segnale acquisito e immagine diagnostica ottimizzata. In questo contesto, Spectral Precise Image non si limita a filtrare il rumore, ma ricostruisce il segnale distinguendo tra componenti anatomiche reali e artefatti, preservando al contempo i dettagli fini e la coerenza strutturale.
Un elemento distintivo dell’approccio adottato è l’utilizzo prevalente di dati clinici reali nella fase di training, che consente al modello di catturare la variabilità anatomica e operativa tipica della pratica radiologica. Dal punto di vista architetturale, le reti utilizzate impiegano strutture multiscala e meccanismi di apprendimento residuo, progettati per mantenere l’informazione ad alta frequenza — come i bordi e le strutture a basso contrasto — evitando la perdita di dettaglio che può caratterizzare approcci più aggressivi di denoising.
Questo approccio consente di affrontare uno dei nodi storici della TC, ovvero il compromesso tra dose e qualità dell’immagine. Riducendo la dose di radiazioni, diminuisce il numero di fotoni rilevati e aumenta il rumore quantico; nei modelli tradizionali ciò si traduce in immagini meno leggibili. Gli algoritmi DLIR, invece, sfruttano la conoscenza appresa per stimare il segnale sottostante, permettendo di mantenere la qualità diagnostica anche in condizioni di bassa esposizione, senza alterare la leggibilità delle strutture anatomiche.
Nel contesto specifico dell’imaging spettrale, il ruolo di Spectral Precise Image diventa ancora più critico. A differenza della TC convenzionale, infatti, la ricostruzione deve operare su più livelli energetici simultaneamente, garantendo non solo qualità visiva ma anche coerenza quantitativa tra le diverse componenti energetiche. Questo è fondamentale per applicazioni come la quantificazione dello iodio o la caratterizzazione dei tessuti, dove l’accuratezza numerica è parte integrante del valore diagnostico.
L’integrazione con il detettore Dual Layer rappresenta in questo senso un elemento distintivo: la rete neurale lavora su dati che conservano informazione energetica nativa, consentendo una ricostruzione che agisce simultaneamente su rumore, contrasto e contenuto spettrale. Ne deriva una qualità dell’immagine più stabile e una maggiore affidabilità delle misure quantitative.
Dal punto di vista operativo, una volta completato il training, il modello funziona in modalità inferenziale con pesi fissi, garantendo tempi di ricostruzione compatibili con workflow clinici ad alto throughput. Questo aspetto è essenziale per sostenere volumi elevati di esami senza introdurre colli di bottiglia nella pipeline diagnostica.
In termini di posizionamento tecnologico, la DLIR rappresenta una traiettoria comune a tutti i principali vendor del settore, con soluzioni analoghe sviluppate anche da GE Healthcare e Siemens Healthineers. Tuttavia, nel caso di Spectral CT Verida, l’integrazione nativa tra ricostruzione deep learning e imaging spettrale consente di estendere i benefici della DLIR oltre la qualità visiva, abilitando una dimensione multiparametrica e quantitativa dell’imaging che costituisce uno degli elementi più avanzati dell’attuale evoluzione della tomografia computerizzata.
Imaging cardiaco: gestione degli artefatti nei contesti dinamici
Un ambito in cui l’apporto dell’intelligenza artificiale risulta particolarmente rilevante è quello dell’imaging cardiaco, dove il movimento continuo del cuore può generare artefatti e rendere più complessa l’interpretazione delle immagini.
I modelli di ricostruzione implementati nel sistema sono in grado di rielaborare automaticamente i dati anche in presenza di acquisizioni multiple, consentendo di estendere l’utilizzo dell’imaging spettrale anche a contesti dinamici come quelli cardiovascolari, dove la stabilità dell’immagine rappresenta un fattore critico.
Evidenze comparative e maturità tecnologica
Nel panorama delle tecnologie emergenti per la tomografia computerizzata, le diverse soluzioni disponibili presentano livelli differenti di maturità clinica e diffusione. In questo contesto, la TC spettrale basata su detettore sviluppata da Philips si colloca come una tecnologia consolidata, con oltre un decennio di utilizzo nei reparti ad alta intensità e prestazioni dimostrate anche in condizioni operative caratterizzate da elevati volumi di lavoro.
Uno studio indipendente pubblicato su Diagnostic and Interventional Imaging ha confrontato le prestazioni di diverse tecnologie avanzate – due sistemi dual-energy, una TC a doppio strato e una TC photon-counting – evidenziando risultati tra i migliori per la tecnologia dual layer, in particolare ai livelli energetici più bassi (40–50 keV), rilevanti negli esami con mezzo di contrasto.
Evoluzione della TC: integrazione tra spettro, AI e automazione
Spectral CT Verida rappresenta l’evoluzione più recente della tomografia computerizzata, combinando imaging spettrale, ricostruzioni accelerate e intelligenza artificiale per supportare percorsi diagnostici più rapidi, coerenti e affidabili.
L’integrazione di queste componenti consente di intervenire simultaneamente su qualità dell’immagine, efficienza operativa e sostenibilità clinica, delineando una traiettoria tecnologica in cui la TC non è più solo uno strumento di acquisizione, ma una piattaforma avanzata di elaborazione e interpretazione dei dati.
