| Περίληψη: | Η υπολογιστική τομογραφία θώρακος αποτελεί την απεικονιστική τεχνική επιλογής για την διάγνωση και την ποσοτικοποίηση των διάμεσων νοσημάτων του πνεύμονα (1). Η διάγνωση όμως τέτοιων παθολογιών χαρακτηρίζεται από μεγάλη ένδο- και μεταξύ παρατηρητών μεταβλητότητα λόγω της μη ύπαρξης κριτηρίων του απεικονιστικού προτύπου των παθολογιών καθώς και του μεγάλου όγκου δεδομένων της εξέτασης.
Για τον λόγο αυτό στην βιβλιογραφία έχει προταθεί η χρήση συστημάτων αυτόματης ποσοτικοποίησης με σκοπό την ακριβή μέτρηση των παθολογιών η οποία έως σήμερα πραγματοποιείται με ημι-ποσοτικές κλίμακες. Τα συστήματα αυτά λειτουργούν είτε σε επίπεδο τομής (2Δ) είτε σε ολόκληρο των όγκο (3Δ) του πνευμονικού πεδίου. Τα 3Δ συστήματα υπερτερούν τον 2Δ καθώς καλύπτουν το σύνολο του όγκου των πνευμονικών πεδίων περιορίζονται όμως λόγο της μειωμένης ποιότητας εικόνας (2-4).
Τα συστήματα ποσοτικοποίησης αποτελούνται (συνήθως) από δύο στάδια προ-επεξεργασίας τα οποία προηγούνται του σταδίου ποσοτικοποίησης των παθολογιών. Τα στάδια προ-επεξεργασίας στοχεύουν στην απομόνωση του πνευμονικού παρεγχύματος. Ειδικότερα στο πρώτο στάδιο πραγματοποιείται απομόνωση των πνευμονικών πεδίων ενώ στο δεύτερο στάδιο πραγματοποιείται η αφαίρεση του αγγειακού δένδρου με αποτέλεσμα την απομόνωση του πενυμονικού πεδίου φυσιολογικού η μη. Η επίδραση των δύο βημάτων προ-επεξεργασίας είναι καθοριστική στην ακρίβεια του συστήματος ποσοτικοποίησης όπως έχει διατυπωθεί στην βιβλιογραφία.
Τα συστήματα ποσοτικοποίησης που έχουν προταθεί έως σήμερα υιοθετούν σαν τεχνικές τμηματοποίησης πνευμονικών πεδίων είτε τεχνικές κατωφλίωσης σε συνδυασμό με μορφολογική επεξεργασία (2) είτε συνδυασμό τεχνικών που βασίζονται στην ανάλυση υφής περιοχής (5-8).
Στα πλαίσια τμηματοποίησης των πνευμονικών πεδίων έχει προταθεί μια σειρά αλγορίθμων ικανή να τμηματοποίηση πνευμονικά πεδία χωρίς παρουσία παθολογιών ή με την παρουσία μικρών όγκων (οζιδίων) (9-14) ενώ μόλις πρόσφατα προτάθηκαν τεχνικές τμηματοποίησης οι οποίες στοχεύουν στην τμηματοποίηση πνευμονικών πεδίων με παρουσία διάχυτων ασθενειών του πνεύμονα (3) (15). Στην εικόνα 2 παρουσιάζονται τόσο φυσιολογικά όσο και παθολογικά πνευμονικά πεδία. Στην περίπτωση των παθολογικών πνευμονικών πεδίων είναι φανερό πως η τμηματοποίηση υπό την παρουσία προτύπων διάχυτων νοσημάτων δεν είναι «εύκολη αποστολή» καθώς τα πρότυπα της παθολογίας και ο περιβάλλον ιστός μοιράζονται κοινά απεικονιστικά χαρακτηριστικά. Λεπτομερής περιγραφή των αλγορίθμων τμηματοποίησης θα πραγματοποιηθεί στα επόμενα κεφάλαια.
Στην υπολογιστική τομογραφία το σήμα (προβολές) που καταγράφεται στους ανιχνευτές χαρακτηρίζεται από παρουσία θορύβου, φαινόμενο που κυρίως οφείλεται στην τυχαιότητα απορρόφησης των φωτονίων στους ανιχνευτές. Ο θόρυβος αυτός γενικότερα αναφέρεται ως κβαντικός θόρυβος. O θόρυβος μέσω της διαδικασίας ανακατασκευής εικόνας κληροδοτείται και στη τελική εικόνα. Ο θόρυβος αυτός μπορεί να μειωθεί είτε αυξάνοντας τα στοιχεία λήψης (υψηλότερη δόση), είτε εφαρμόζοντας τεχνικές ανακατασκευής οι οποίες χρησιμοποιούν πυρήνες εξομάλυνσης (smoothing kernel).΄Όμως, λαμβάνοντας υπόψη τη βασική αρχή ακτινοπροστασίας ALARA (As Low As Reasonable Achievable) τα στοιχεία λήψης πρέπει να είναι όσο το δυνατόν χαμηλότερα. Κάνοντας όμως χρήση του πυρήνα εξομάλυνσης μειώνεται η διακριτική ικανότητα εικόνας. Αυτό φανερώνει ότι η μείωση θορύβου δεν είναι ένα τετριμμένο πρόβλημα. Με εικόνες που χαρακτηρίζονται από υψηλό SNR (σήμα προς θόρυβο) μπορεί να επιτευχθεί ακριβής διάγνωση αλλά και να αξιοποιηθούν στα πλαίσια τεχνικών ανάλυσης εικόνας όπως τεχνικές αντιστοίχισης και τμηματοποίησης [1]. Όπως προαναφέραμε τα 3Δ πρωτόκολλα χαρακτηρίζονται από μειωμένη ποιότητα εικόνας λόγω παρουσίας θορύβου σε σχέση με τα 2Δ πρωτόκολλα υψηλής ανάλυσης
Έως τώρα στη βιβλιογραφία έχουν προταθεί πολλές τεχνικές για μείωση θορύβου στην υπολογιστική τομογραφία. Για παράδειγμα έχουν χρησιμοποιηθεί επαναληπτικές τεχνικές ανακατασκευής οι οποίες αποσκοπούν στην μείωση θορύβου, μέσω της βελτιστοποίησης στατιστικών συναρτήσεων [2]-[4]. To βασικό μειονέκτημα αυτών των τεχνικών είναι η υψηλή υπολογιστική πολυπλοκότητα (high computational complexity).
Η εφαρμογή αλγορίθμου μείωσης θορύβου μετά την ανακατασκευή εικόνας (post-processing) αποτελεί πρόκληση κυρίως λόγω του χαρακτήρα του θορύβου στην ανακατασκευασμένη εικόνα. Επιπλέον η κατευθυντικότητα του θορύβου λόγω υψηλής απορρόφησης κατά μήκος συγκεκριμένων κατευθύνσεων καθιστά τη διαφοροποίηση μεταξύ δομών και θορύβου ιδιαίτερα πολύπλοκη. Μια πολύ βασική αρχή στην οποία θα πρέπει να υπακούει κάθε τεχνική μείωσης θορύβου που εφαρμόζεται σε ιατρικές εικόνες είναι ότι η κλινική πληροφορία της εικόνας πρέπει να διατηρείται. Οι πιο πρόσφατες τεχνικές που σχετίζονται με την μείωση θορύβου στις ανακατασκευασμένες εικόνες χρησιμοποιούν τεχνικές οι οποίες αφαιρούν το θόρυβο αλλά ταυτόχρονα διατηρούν τις αιχμές της εικόνας (16). Χαρακτηριστικό ιδιαίτερα χρήσιμο στην περίπτωση των περίπλοκων απεικονιστικών προτύπων τις διάχυτης παθολογίας του πνεύμονα όπως το γραμμικό δικτυωτό πρότυπο τις πνευμονικής ίνωσης το οποίο μπορεί να συνυπάρχει με το πρότυπο της θαμβή υάλου το οποίο δεν περιέχει δομές αλλά εύκολα συγχέεται με το φυσιολογικό πνευμονικό παρέγχυμα παρουσία θορύβου.
Ανοικτό ζήτημα στην βιβλιογραφία αποτελεί η τμηματοποίηση των πνευμονικών πεδίων, ιδιαίτερα στην περίπτωση όπου η παθολογία επηρεάζει τα όρια αυτών. Οι τεχνικές που έχουν προταθεί έως σήμερα εστιάζουν στην εφαρμογή των αλγορίθμων σε δεδομένα τα οποία έχουν προέλθει από τον ίδιο υπολογιστικό τομογράφο με συγκεκριμένο πρωτόκολλο λήψης. Στις μελέτες αυτές δεν έχει γίνει διερεύνηση της επίδρασης του θορύβου στους αλγορίθμους τμηματοποίησης.
Οι αλγόριθμοι μείωσης θορύβου έχουν προταθεί στην βιβλιογραφία έως βήμα προ επεξεργασίας για δεδομένα τα οποία είτε προέρχονται από διαφορετικά κέντρα ή έχουν ληφθεί αξιοποιώντας διαφορετικό πρωτόκολλο.
Στην παρούσα μελέτη πραγματοποιήθηκε μελέτη της επίδρασης των τεχνικών μείωσης θορύβου στις τεχνικές τμηματοποίησης σε δεδομένα υπολογιστικής τομογραφίας θώρακος. Στην μελέτη αξιοποιήθηκαν δεδομένα τα όποια ελήφθησαν με πρωτόκολλο λήψης 3D δεδομένων ενώ στα πνευμονικά πεδία υπήρχαν πρότυπα ενδιάμεσης πνευμονοπάθειας.
Οι τεχνικές τμηματοποίησης η οποίες αξιοποιήθηκαν ήταν οι k-means, Voxel Classification based, thresholding, MRF και η ΜΕΤΕΤ. Η τεχνική k-means είχε μια παράμετρο των αριθμών κλάσεων στην εικόνα η όποια προέκυψε έπειτα από πειραματικό προσδιορισμό (κ=4).
Η τεχνική MRF απαιτούσε τον καθορισμό δυο παραμέτρων, του αριθμού των κλάσεων καθώς και του Β μιας παραμέτρου που καθορίζει την βαρύτητα που παίζει η γειτονία ενός pixel. Στην παρούσα μελέτη χρησιμοποιήθηκε μια σχετικά μεγάλη τιμή προκειμένου να μειωθεί η επίδραση του θορύβου στην τελική τμηματοποίηση. Τέλος η τεχνική ΜΕΤΕΤ περιέχει μια παράμετρο (του αριθμού κλάσεων) η όποια επιλεγεί να είναι κ=4 όπως προτείνεται στην βιβλιογραφία.
Για την αξιολόγηση των αλγορίθμων τμηματοποίησης αξιοποιήθηκε η πλειοψηφία των δεικτών τμηματοποίησης που χρησιμοποιούνται στην βιβλιογραφία. Στην μελέτη αυτή χρησιμοποιήθηκαν όλοι οι δείκτες και όχι αποσπασματικά όπως εφαρμόζονται σε διάφορες δημοσιεύσεις. Το δείγμα αληθείας προέκυψε έπειτα από χειροκίνητη τμηματοποίηση 370 τομών από ακτινολόγο με χρόνια εμπειρίας στην ερμηνεία δεδομένων υπολογιστικής τομογραφίας.
Για την υλοποίηση της εργασίας σχεδιάστηκε και αναπτύχθηκε στο εργαστήριο Ιατρικής Φυσικής του Πανεπιστήμιου Πατρών κατάλληλη γραφική επιφάνεια διεπαφής η οποία επέτρεπε στην ‘φόρτωση’ των δεδομένων, την τμηματοποίηση των πνευμονικών πεδίων, την εφαρμογή των αλγορίθμων μειώσης θορύβου, την χειροκίνητη τμηματοποίηση του υπολογισμού των δεικτών ακρίβειας και τέλος την αποθήκευση όλων των δεδομένων.
Στην βιβλιογραφία έως σήμερα έχουν προταθεί μια σειρά αλγορίθμων τμηματοποίησης πνευμονικών πεδίων οι οποίες στοχεύουν είτε στην τμηματοποίηση υγιών πνευμονικών πεδίων είτε παθολογικών πνευμονικών πεδίων. Ωστόσο όλοι οι αλγόριθμοι εφαρμόζονται σε δεδομένα τα οποία προέρχονται από υπολογιστικούς τομογράφους με συγκεκριμένο πρωτόκολλο χωρίς να γίνεται περαιτέρω μελέτη συμπεριφοράς των αλγορίθμων σε δεδομένα από διαφορετικό πρωτόκολλο λήψης (διαφορετικό επίπεδο θορύβου).
Βάση των αποτελεσμάτων τόσο στις αρχικές όσο και στις επεξεργασμένες εικόνες η τεχνική ΜΕΤΕΤ έδωσε τα καλύτερα αποτέλεσμα ως προς όλους τους δείκτες εκτός του δείκτη TPF όπου εκεί η μέθοδος k-means έδωσε το καλύτερο αποτέλεσμα. Το γεγονός αυτό μπορούμε να το αποδώσουμε επειδή η τεχνική βασίζεται στην ένταση των επιπέδων του γκρι τμηματοποιεί όλα τα τμήματα με φυσιολογική εμφάνιση άρα συμπίπτει καλύτερα με την τμηματοποίηση του ακτινολόγου χωρίς να εμφανίζει υπερ-τμηματοποίηση. Ο δείκτης TPF αποτελεί το κοινό τμήμα των δυο τμηματοποιήσεων. H στατιστική ανάλυση βάσης του δείκτη ρ που προκύπτει από το student t test ανέδειξε ότι η συμπεριφορά της ΜΕΤΕΤ δεν εμφανίζει στατιστικές σημαντικές διαφορές στις αρχικές όσο και στις επεξεργασμένες εικόνες. Τέλος οι τεχνικές τμηματοποίησης MRF, Thresholding, και Voxel Classification based εμφανίζουν την ίδια συμπεριφορά τόσο στις αρχικές όσο και στις επεξεργασμένες εικόνες.
|
|---|
