Michał Obara z nagrodą Best Paper Presentation Award

Nasz doktorant Michał Obara otrzymał nagrodę Best Paper Presentation Award podczas konferencji Signal Processing: Algorithms, Architectures, Arrangements and Applications (SPA 2026). Nagrodzona publikacja, którą zaprezentował nasz naukowiec, dotyczy poprawy jakości obrazowania w tomografii PET – badaniu, które pozwala zobrazować procesy zachodzące w organizmie. Badania prowadzone są we współpracy z Narodowym Centrum Badań Jądrowych w ramach projektu IMPET.

PET (pozytonowa tomografia emisyjna) to badanie obrazowe stosowane m.in. w diagnostyce nowotworów. Pacjent otrzymuje niewielką dawkę substancji biorącej udział w przemianie materii (np. glukozy), znakowanej izotopem promieniotwórczym. W wyniku rozpadu promieniotwórczego w ciele pacjenta powstają pary fotonów, które lecą w przeciwnych kierunkach. Tomograf rejestruje te pary, a z milionów takich rejestracji algorytm odtwarza obraz pokazujący, gdzie substancja się gromadzi, np. w ognisku nowotworu. 

– Część zarejestrowanych par jest jednak „fałszywa”: fotony odbiły się po drodze albo pochodzą z dwóch niezależnych rozpadów. Takie tło pogarsza kontrast obrazu, utrudniając wykrycie niewielkich zmian chorobowych. Celem naszych badań jest opracowanie algorytmów uczenia maszynowego rozpoznających, które pary fotonów są wartościowe, a które stanowią tło, jeszcze zanim powstanie obraz – tłumaczy Michał Obara z Wydziału Elektroniki i Technik Informacyjnych PW. 

Dzięki pracy naszych naukowców powstaje metoda, która każdej zarejestrowanej parze fotonów przypisuje prawdopodobieństwo, że jest prawdziwa. W nagrodzonej pracy badacze wykazali dwie rzeczy. Po pierwsze, zamiast odrzucać pary uznane za tło, lepiej uwzględnić każdą z nich z wagą równą prawdopodobieństwu, które przewidział ich model. Po drugie, można przygotować mapę niepewności modelu, która pokazuje, w których miejscach obrazu model jest pewny swojej odpowiedzi, a gdzie jego wynik należy interpretować ostrożniej. Aby określić prawdziwy błąd, jaki popełnia model, niezbędna jest wiedza o tym, które pary fotonów są naprawdę prawdziwe, a takiej wiedzy w rzeczywistym badaniu nigdy nie mamy. Opracowana mapa niepewności w znacznym stopniu pokrywa się z rzeczywistym rozkładem błędów, dzięki czemu pozwala wskazać regiony, w których dokładność modelu jest wysoka, wyłącznie na podstawie samego badania. Docelowo metoda ma zostać włączona do standardowych algorytmów tworzenia obrazów PET i porównana z metodami stosowanymi klinicznie.

– Budujemy komputerowy model tomografu i wirtualnych pacjentów, czyli realistyczne modele ludzkiego ciała, a następnie symulujemy badania PET. Dzięki temu wiemy, które pary fotonów są prawdziwe, a które są tłem, a takiej wiedzy nie da się uzyskać z prawdziwego badania. Na tych danych trenujemy i porównujemy modele uczenia maszynowego, a ich wyniki włączamy do procesu tworzenia obrazu i sprawdzamy, czy obraz jest lepszy – wyjaśnia Michał Obara.  – Obliczenia wykonujemy na superkomputerach. Warto podkreślić to, że metoda nie tylko poprawia obraz, ale też pokazuje, w których miejscach jego wynik jest mniej pewny. W zastosowaniach medycznych jest to szczególnie ważne.

Nowoczesne tomografy o długim polu widzenia mają pole widzenia o długości ok. 1 m i obejmują jednocześnie wszystkie najważniejsze narządy. Są bardzo czułe, ale rejestrują też więcej fałszywych par: w symulacjach naszych badaczy tło stanowi około połowy wszystkich zarejestrowanych par. Obecnie stosowane korekcje szacują tło statystycznie, dla całego obrazu naraz, i są kosztowne obliczeniowo. Żadna z nich nie ocenia pojedynczych par fotonów. Drugim wyzwaniem jest zaufanie do metod sztucznej inteligencji w dziedzinie tak wrażliwej jak medycyna, dlatego oprócz poprawy obrazu naukowcy chcą też pokazywać, na ile wynik jest pewny.

–  Opracowane rozwiązanie znajdzie zastosowanie przede wszystkim w diagnostyce medycznej, czyli onkologii, kardiologii i neurologii. Lekarze medycyny nuklearnej mogliby dostać wyraźniejsze obrazy, ułatwiające diagnostykę, i wiarygodniejsze pomiary ilościowe. W dalszej perspektywie lepsza korekcja tła może pomóc w skracaniu badań lub obniżaniu dawki dla pacjenta. Rozwiązanie może też zainteresować twórców oprogramowania do tomografów. Metoda nie ogranicza się jednak do samego PET: może znaleźć zastosowanie również w innych technikach obrazowania, w których rejestruje się pary albo trójki fotonów. W ramach projektu IMPET, poświęconego wielofotonowej tomografii emisyjnej dla obrazowania przemysłowego, sprawdzimy, czy da się ją przenieść do zastosowań przemysłowych, w tym do techniki PEPT, czyli śledzenia cząstek znakowanych izotopem w procesach technologicznych. Na tym etapie prace prowadzimy na danych symulacyjnych – mówi nasz naukowiec. 

Prace nad tym zagadnieniem rozpoczęły się jeszcze przed 2024 r., a w 2024 r. stały się tematem doktoratu realizowanego w Szkole Doktorskiej PW. Nagrodzona praca jest kolejnym krokiem po wcześniejszych etapach, a planowana finalizacja doktoratu to 2028 r. Prace podzielono na cztery etapy: symulacje i przygotowanie danych, budowę i trening modeli uczenia maszynowego, w tym ważenie par fotonów i mapy niepewności, włączenie wyników do standardowych algorytmów tworzenia obrazu i porównanie z obecnie stosowanymi metodami oraz sprawdzenie, czy metodę da się przenieść do zastosowań przemysłowych. Pierwsze dwa etapy są zrealizowane, obecnie naukowcy przechodzą do trzeciego.

Najwięcej pracy generują symulacje. Komputerowe odwzorowanie całego tomografu i realistycznych pacjentów wymaga dużej mocy obliczeniowej, a powstające zbiory danych są ogromne. Dużo czasu zajmuje też przygotowanie danych dla modeli. Każda para fotonów musi mieć poprawnie przypisaną klasę, a informacje o niej, takie jak miejsca, czasy i energie rejestracji fotonów, trzeba przedstawić w postaci, z której model potrafi najlepiej skorzystać. Pracochłonny jest również wybór budowy modelu i jego dostrajanie, czyli wielokrotne sprawdzanie, które ustawienia dają najlepsze wyniki. Wreszcie dużej uwagi wymaga rzetelna ocena wyników: model może dobrze wypadać w globalnych statystykach, takich jak dokładność, a mimo to wykazywać lokalne niedokładności, które mogą wpływać na widoczność zmian chorobowych, dlatego wyniki zawsze weryfikujemy na obrazie.

Współpraca z NCBJ

Z ramienia PW w pracach uczestniczą dwaj naukowcy z Instytutu Systemów Elektronicznych Wydziału Elektroniki i Technik Informacyjnych PW:  Michał Obara, doktorant Szkoły Doktorskiej PW, oraz dr hab. inż. Konrad Jędrzejewski, prof. uczelni, promotor pracy doktorskiej. Badania prowadzone są we współpracy z Narodowym Centrum Badań Jądrowych w ramach projektu IMPET („Wielofotonowa pozytonowa tomografia emisyjna dla obrazowania przemysłowego”, nr FENG.02.02-IP.05-0152/23), finansowanego przez Fundację na rzecz Nauki Polskiej ze środków Funduszy Europejskich dla Nowoczesnej Gospodarki. Michał Obara jest także zatrudniony w NCBJ przy tym projekcie. 

Szczególny wkład w badania ma dr inż. Konrad Klimaszewski z NCBJ, współautor nagrodzonej pracy. Pozostali współautorzy to członkowie zespołu projektu IMPET w NCBJ (Mateusz Bała, Lech Raczyński, Roman Y. Shopa, Wojciech Zdeb, Wojciech Krzemień) oraz Beatrix C. Hiesmayr z IT:U Interdisciplinary Transformation University w Linzu i Uniwersytetu Wiedeńskiego. Obliczenia wykonywane są w Centrum Informatycznym Świerk (NCBJ) oraz w infrastrukturze PLGrid (ACK Cyfronet AGH).