информационный портал по вопросам биомедицинской инженерии

Сейчас на сайте 0 пользователей и 0 гостей.

Вход в систему

Недавно присоединились

  • Сергей Посохов
  • Roman Polostnikov
  • Абдусаламов Магом...
  • Комиссаров Мэлор ...
  • Олег Матвеевич
аватар: Аль-кавати Ахмед Абдо

Демиелинизирующие заболевания — заболевания, основным патологическим процессом при которых является демиелинизация, т.е. разрушение миелиновой оболочки, которая окружает аксоны. [3] Примерами демиелинизирующих заболеваний являются: рассеянный склероз (РС), острый диссеминированный энцефаломиелит, концентрический склероз Бало, оптикомиелит Девика и другие. В данной работе будут рассмотрены подходы к анализу изображений магнитно-резонансной томографии (МРТ) вещества головного мозга с патологическими очагами рассеянного склероза ввиду того, что частота выявления данного заболевания растет с каждым годом. В мире насчитывается около 2 млн больных рассеянным склерозом, в России — более 200 тыс. В ряде регионов России заболеваемость  довольно высокая и находится в пределах 20 — 40 случаев на 100 тыс. населения. В крупных промышленных районах и городах она выше . Это связано с: ухудшением экологии, истинным ростом заболеваемости, увеличением количества методов и средств диагностики патологических изменений, ростом их доступности.
В настоящее время наиболее информативным инструментальным методом диагностики рассеянного склероза является магнитно-резонансная томография (МРТ). Данный метод позволяет с высокой точностью визуализировать патологические очаги в веществе головного и спинного мозга. Тканевая дифференциация и дополнительные функциональные методики позволяют отличить ряд патологических состояний, протекающих под маской рассеянного склероза, поэтому МРТ является основным методом диагностики и контроля течения РС .
МРТ — метод диагностики, основанный на том, что из-за особенностей белково-липидного строения мембран миелина вода располагается в определённом порядке между слоями миелиновой оболочки [1]. Этот порядок нарушается при демиелинизации, когда высвобождается часть воды, которая имеет более длительное время релаксации в магнитном поле, участки демиелинизации выявляются как участки пониженной плотности в режиме Т1 и как участки повышенной плотности на Т2-взвешенных изображениях. На рисунке 1а, б, в показаны патологические очаги рассеянного склероза в режимах Т2, Т2 Tirm.


Рис. 1. Патологические очаги рассеянного склероза в режимах: а) Т2, б) Т1, в) Т2 Tirm
 
Применение парамагнитного контраста позволяет дифференцировать степень зрелости очагов: в активных свежих очагах происходит «накопление» контраста, увеличение размеров старого очага сопровождается накоплением контраста по периферии очага . Применение МРТ с контрастированием позволяет объективно оценить активность патологического процесса, особенно при использовании этого метода в динамике у одного и того же больного. На рисунке 2 показано контрастирование очагов рассеянного склероза Т1 контрастным препаратом.

Рис. 2. Патологические очаги рассеянного склероза в режиме Т1 с контрастированием: а) Т1 взвешенное изображение непосредственно после введение контрастного препарата , б) Т1 взвешенное изображение полученное в отсроченной фазе спустя 30 минут после контрастирование.
 
Рассеянный склероз – неизлечимое заболевание и характеризуется течением с периодами обострения и ремиссии, что требует непрерывного системат
ического и точного контроля клинических и морфологических проявлений заболевания. Изображения МРТ являются очень сложными для анализа и интерпретации за счет высокой тканевой дифференцировки. РС на МРТ чаще проявляется наличием множественных очаговых изменений в веществе головного и спинного мозга, что затрудняет их динамический контроль по данным МРТ. Данные проблемы делают актуальным и востребованным разработку дополнительных инструментальных средств анализа МР изображений вещества головного мозга.
Таким образом, цель данной научной работы заключается в исследовании алгоритмов цифровой обработки изображений МРТ для сегментации и количественного анализа очаговых изменений вещества головного мозга. В рамках данной цели решается ряд основных задач:
- разработка программно-аппаратного комплекса для постпроцессинговой обработки и сегментации изображений МРТ;
- исследование методов сегментации изображений и применение их для анализа изображений пациентов страдающих РС;
- осуществление картирования очаговых изменений вещества головного мозга;
- проведение математического анализа результатов сегментации;
- реализация алгоритмов динамического анализа первичных и последующих исследований с целью вычисления критериев и оценки диссеминации (распространения) патологического процесса.
В качестве основных проблем выступают:
- сложность и высокая тканевая дифференциация МР изображений, что требует применения алгоритмов предобработки, например, фильтрации для улучшения качества визуализации патологических изменений на фоне здоровых структур и подавления структур, ухудшающих качество анализа;
- большое количество алгоритмов сегментации изображений, не все из которых в чистом виде подходят для анализа изображений, а требуют комбинации с другими алгоритмами;
- наличие на изображении структурных элементов, яркость, которых схожа с яркостью патологических изменений.
Подходы к решению сформулированных задач.
В рамках данной работы исследуются различные подходы к сегментации МР изображений. Наглядно алгоритмы применимые к данным МРТ для сегментации представлены на рисунке 3 [1].
Анализ литературы показывает, что успешно применяются методы на основе пороговой классификации, и более интеллектуальные методы: Марковские цепи и искусственные нейронные сети. На основании проведенных на данном этапе исследований можно отметить, что использование граничных методов при анализе МРТ изображений затруднительно потому, что данный метод выделяет все границы на изображении и зачастую невозможно найти корреляции между патологическими изменениями и нормальной ткань головного мозга. Более того, метод восприимчив к шумам и артефактам, что делает его не предпочтительным для сегментации [1]
].  
Рис.3 – методы сегментации.
 
При разработке программного комплекса было учтена необходимость использования методов предварительной обработки изображений [2, 3]. Для этого были реализованы различные цифровые фильтры (рисунок 4).

 

Рис. 4 – реализация фильтров для предварительной обработки изображения МРТ: а) оригинальное изображение б) фильтр Лапласа в) медианный фильтр г) порядковый фильтр д) фильтр Винера
 
Из рисунка видно, что Фильтры Винера и Лапласа позволяют усилить интенсивность сигнала от выявленных очаговых изменений, что позволяет повысить точность сегментации патологических изменений.
В рамках данной работы был разработан программный комплекс на основе порогового метода анализа гистограмм спектра мощности изображения. Сегментация по данному методу осуществляется путем разбиения всех вокселей на группы: группа вокселей с интенсивностью выше установленного порога и группа вокселей с интенсивностью ниже этого порога. Порог задается, исходя из профиля гистограммы спектра мощности для данного изображения. Данный метод позволяет сегментировать несколько типов тканей, для чего вводится несколько порогов (многопороговая классификация) [1].
Метод очень эффективен при сегментации областей с высоким контрастом между собой. Основными недостатками метода являются: зависимость результатов сегментации от выбранной величины порога; повышенная чувствительность к шуму и неоднородностям в интенсивности МР-сигнала [1].
                На рисунке 5 представлено окно программного комплекса для сегментации и картирования патологических очагов рассеянного склероза.
Рис. 5 - Рабочее пространство программного комплекса для сегментации и картирования  МРТ изображений
 
Из рисунка 5 видно, что рабочее пространство содержит элементы предварительной обработки (фильтрации) изображений, анализа гистограмм спектра мощности сигнала изображений и управления пороговой классификацией. Количественный показатель результата сегментации представлен в виде сводной таблицы, в которой показаны значения вычисленных площадей патологических изменений по каждому срезу. Критерием количественной оценки результата сегментации является суммарная площадь патологических изменений вычисленная по формуле:

Где So – суммарная площадь пикселей, интенсивность которых соответствует патологическим изменениям; Np – количество сегментированных пикселей на i срезе; hp и wp – размеры пикселя – высота и ширина соответственно.
Анализ полученных результатов и выводы.
Полученные результаты наглядно показаны в таблице 1 на примере клинического случая. Пациент «I» - женщина, 27 лет, динамически наблюдается с 2010 г, отрицательная динамика в виде появления новых очагов накапливающих контрастный препарат, проградиентно-хроническое течение в стадии обострения.  На основании полученных данных динамического наблюдения при сегментации и картировании патологических изменений с 2010 г. на каждом последующем исследовании сегментировались новые очаги, и отмечалось увеличение старых. Что позволяет врачу-рентгенологу достоверно отметить отрицательную динамику течения заболевания с использованием органолептических и инструментальных средств анализа МР изображений, качественно и количественно оценить исследование по критериям Макдональда, которые являются на настоящее время актуальными для оценки клинико-дагностиеческой картины течения заболевания.  Более того, данный программный комплекс позволяет снизить умственное и физическое напряжение врача путем подчеркивания патологических изменений.
 
Таблица 1.
Клинический случай, результат работы программного комплекса для сегментации,  картирования и оценки патологических изменений в веществе головного мозга.

Перспективой развития данного программного комплекса является использование более сложных алгоритмов сегментации изображений таких как: Марковские цепи; нейронные сети. Реализация подходов к классификации патологических изменений по локализации и типу (очаг, отек, объемный процесс, кровь и др.).

авторы статьи :
Спажакин Юрий Геннадьевич,  Аль-Кавати Ахмед Абдо Фадхил, Хамид Марван Ахмед Ахмед

Литература :
1.  Верхлютов В.М., Гапиенко Г.В.Обзор методов сегментации и триангуляции данных МРТ электронный ресурс: http:
2.  Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB М.: Техносфера, 2006 г, 621с, ISBN: 5-94836-092-Х 2006
3. Претт У. Цифровая обработка изображений: Пер с англ. – М.: Мир, 1982. – Кн.1 – 312 с., ил

 

Комментарии

Отправить комментарий

Содержание этого поля является приватным и не предназначено к показу.
  • Доступны HTML теги: <a> <em> <strong> <cite> <code> <ul> <ol> <li> <dl> <dt> <dd> <img> <table> <td> <tr> <hr> <div> <span> <h1> <h2> <h3> <h4> <h5> <h6> <p> <pre> <adress> <center>
  • Строки и параграфы переносятся автоматически.

Подробнее о форматировании

3 + 6 =
Решите эту простую математическую задачу и введите результат. Например, для 1+3, введите 4.

Комментарии