پزشکی بالینی

PDF متن کامل روش

پژواک التراسوند نمايشگر ديواره رگ ها

امروزه بيماري‌هاي قلبي-عروقي (‏Coronary Artery Disease‏) ‏CAD‏ يكي از عمده‌ترين عوامل مرگ و مير در سطح جهان  به‌شمار مي‌رود. علت اين بيماري جمع شدن پلاكها در ديواره داخلي عروق كرونري است كه باعث انسداد و ايجاد خلل در سيستم گردشي خون و در نتيجه تغذيه سلول‌هاي قلبي مي‌شود. مشكل اصلي اين بيماري، ساكت بودن و مشخص نشدن علائم پيشرفت آن در طول زمان است و تنها هنگامي بروز مي‌كند كه منجر به سكته يا مرگ ناگهاني بيمار شود. لذا پيدا كردن روشهايي براي تشخيص  تنگي عروق و سپس درمان بموقع آن، براي پيشگيري از گرفتگي كامل رگ حايزاهميت است.

از روش‌هاي معمول كه براي تشخيص گرفتگي عروق كرونري استفاده مي‌شود، روشي موسوم به آنژيوگرافي است. در اين روش بعد از تزريق ماده حاجب تصويربرداري اشعه ايكس از بيمار صورت مي‌گيرد. تصويربرداري به روش آنژيوگرافي معايب و مشكلات زيادي به‌همراه دارد كه به‌عنوان مثال علاوه بر تهاجمي بودن روش و مضرات حاصل از تشعشعات در هنگام تصوير برداري، اين روش قدرت تشخيص ميزان رسوبات و جنس آنها (به‌عنوان مثال ‏Fibrous Tissue, Fibro-Fatty, Necrotic Core, Dense Calcium‏) در ديواره رگ را ندارد.
‏IVUS (IntraVascular Ultrasound)‎‏ روش جديدي است كه از سال ‏‎1990‎‏ در تشخيص بيماري‌هاي قلبي از جمله  گرفتگي رگها (‏Atherosclerosis‏) مورد استفاده قرار گرفته  است.
‏IVUS‏ يك تكنيك  تصوير برداري پزشكي است كه بر پايه فرستادن كتتر به داخل رگ و استفاده از امواج التراسوند جهت تشكيل تصاويرزمان- واقع (‏Real-Time‏) با رزالوشن بالا ازديواره داخلي رگ بنا شده است. اين روش كه نيمه تهاجمي محسوب مي‌شود، از خطرات استفاده از اشعه ايكس به‌دور بوده و اطلاعات بيشتر و دقيقتري از ديواره رگ را در اختيار قرار ميدهد. لذا نسبت به روش تصوير برداري آنژيوگرافي مزاياي خاص خود را دارد. كتتر‌هاي مورد استفاده در اين روش شامل يك قسمت بالن مانند به قطر6/1 ‏mm‏ است كه درون آن 64 المان مبدل التراسوند با فركانس كار حدود 50-20 ‏MHz‏ قرار دارد. در قسمت سر اين كتتر سيم راهنما (‏Guide Wire‏)  وجود دارد. در شكل (1) نمونه‌اي از يك كتتر ‏IVUS‏ نشان داده شده است.
‏

مشابه دستگاه آنژيوگرافي، كتتر ‏IVUS‏ از طريق يك رگ محيطي وارد بدن شده و به ابتداي آئورت مي‌رسد. چون مساحت سطح مقطع كتتر از مساحت رگ‌هاي كرونري بزرگتر است، اين كتتر وارد رگ نمي شود و در ابتداي آئورت باقي مي‌ماند. سپس از انت‌هاي كتتر، پروبي بسيار نازك وارد آن مي‌شود تا به انت‌هاي كتتر برسد. سپس پروب از كتتر خارج شده و وارد رگ‌‌هاي كرونري مي‌شود. هنگامي كه پروب به انت‌هاي رگ رسيد آهسته و با سرعت ثابت به عقب كشيده مي‌شود. در همين حين همانند دستگاه اكوكارديوگرافي تا زماني كه پروب به ابتداي رگ برسد، تصويربرداري انجام مي‌شود. روش تصوير برداريIVUS‏ معايبي نيز دارد از جمله گران بودن دستگاه تصويربرداري، نزديك بودن سطوح خاكستري مربوط به انواع پلاكها (كه  تشخيص جنس پلاكها را مشكل مي‌كند ) و در نهايت وجود اغتشاشات و آرتيفكتها در تصاوير است. شكل(2) نمونه اي از يك تصوير ‏IVUS ‎‏ را نشان مي‌دهد.
با توجه به‎ ‎اطلاعات آناتوميك داخل رگ و سطوح خاكستري متفاوت در اين تصاوير، مرزهاولايه هايي تعريف مي‌شود كه شامل ‏Lumen، ‏Intimia Border، ‏Media‏ و در انتها ‏Adventitia border‏ مي‌شود. مرز اول حد فاصل كتتر و محل عبور خون از داخل رگ، مرز دوم خط جدا كننده  ‏Lumen‏ از بافت و مرز انتهايي مرز بين مواد رسوبي در داخل رگ (‏Deposited Minerals‏) و ديواره رگ است. فاصله اين دو مرز آخر ميزان تجمع   پلاكها در ديواره داخلي  رگ كه پارامتري از ميزان گرفتگي آن است را نشان مي‌دهد. تفاوت امپدانس اكوستيك بين ديواره‌‌هاي سلولي باعث نمايش اين لايه‌ها در تصاوير ‏IVUS‏ مي‌گردد. روش‌هاي متعددي در پردازش تصاويرIVUS‏ جهت پيدا كردن مرز‌هاي مورد نظر وجود دارد. به علت چرخيدن كتتر در قسمت‌هاي شديدا خميده رگ و ناپايدار بودن محل كتتردر اثر تغييرات طول رگ در دو فاز سيستول و دياستول، آرتيفكت حركتي‎ ‎‏( ‏‎ (Motion Artifact‎‏ در تصاوير ‏IVUS‏ به شكل نواحي روشن ديده خواهد شد. اغتشاش ديگرRing-Down‏ نام دارد كه در اثر نوسانات صوتي داخل مبدل بروز مي‌كند و باعث ايجاد حلقه‌‌هاي نوراني در اطراف محل كتتر در تصوير مي‌شود. علاوه بر موارد ذكر شده نويز ‏Speckle‏ (‏Salt and Pepper Noise‏) نيز به شكل نقاط سياه و سفيد  در تصاوير ديده مي‌شود.‏
در روش‌هاي دستي كه مرزها توسط پزشك متخصص مشخص مي‌شود احتمال ايجاد خطا بسيار زياد و فرآيندي زمان بر است. با پيدايش نرم افزار‌هاي متعدد با سرعت و دقت بالا، روش‌هاي دستي  مرزيابي جاي خود را به روش‌هاي  خودكار داده‌اند. ‏‎ ‎اين روش‌ها به نوعي، يابنده لبه‌ها (‏Edge Detection‏) در تصاوير است.‏
ساده‌ترين روش اعمال ماسك سوبل (‏Sobel Mask‏) به تصوير است كه باعث مشخص شدن لبه‌ها مي‌شود‎.‎‏ به علت وجود نويز و اغتشاشات در تصاوير، اين روش  مرزها را  به درستي تشخيص نمي دهد. جهت بهبود نتيجه و حذف نويز، در ابتدا تصوير را هموار‏‎ ‎‏ مي‌كند اما ايراد اين روش آن است كه به علت نزديك شدن سطوح خاكستري در تصوير، مرزها همچنان به‌درستي قابل تشخيص نيست. روش‌هاي ديگر‎ ‎بكار رفته، از جمله اپراتور لاپلاسين(‏Laplacian‏) و ماسك ‏Prewitt‏ نيز به همان علل ذكر شده، براي تشخيص مرزها نامناسب است.
با پيدا شدن مدل‌هاي شكل‌پذير(‏Deformable Models‏) در دهه اخير تحول بزرگي در‏‎ ‎تشخيص مرزها و لبه‌‌هاي تصاوير ايجاد شده است. در اين روش مرزها را با حداقل كردن  تابع هزينه تعريف شده براي كانتورها (‏Contour‏) يا مدل‌هاي شكل‌پذير به‌دست مي‌آورند.‏
اين روش دقت بالاتري در پيدا كردن مرزها و لبه‌‌هاي تصوير نسبت به روش‌هاي ديگر ذكر شده دارد اما حجم محاسبات در آن بيشتر است.‏‎[ 15-17]‎
‏   مواد رسوبي در ديواره رگ از جمله پلاك‌هاي سخت‎ ‎‏(‏Hard Plaque‏) وپلاك‌هاي نرم‎ ‎‏ (‏Soft Plaque‏ ) كه شامل چربي، بافت‌هاي فيبروز و كلسيم و... مي‌شود بين اين دو مرز مشخص شده قرار دارند. با استفاده از روش‌هاي شناسايي الگو و تحليل بافت مي‌توان اين دو نوع پلاك را مشخص كرد. با اين كار كمك زيادي مي‌توان به تشخيص پزشكان در تعيين ميزان گرفتگي عروق نمود، لذا  مي‌توان اين مرحله پردازش روي تصاوير ‏IVUS‏ را نيز حائز اهميت بالايي دانست.‏
در گذشته به طور معمول پزشكان متخصص مرز‌هاي داخلي و خارجي رگ را به شكل دستي مشخص مي‌كردند كه به دليل تعداد زياد تصاوير مقطعي رگ كاري خسته كننده، زمان بر و وابسته به دانش و حوصله شخص محسوب مي‌شود. امروزه سعي بر استفاده از روش‌هاي خودكار براي پيدا كردن مرزها است. روش‌هاي متعددي براي پيدا كردن مرز‌هاي مورد نظر در تصاوير ‏IVUS‏ به كار رفته است. در اين تصاوير به علت وجود نويز ‏Speckle‏ و اغتشاشات  متفاوت، روش‌هاي تشخيص مرزها با مشكلات زيادي مواجه است. به عنوان مثال در روشي كه بر پايه گراديان سطوح خاكستري‎ ‎‏(‏Sobel Mask or Prewitt Mask‏) لبه‌‌هاي تصوير را مي‌توان تشخيص داد، به علت اينكه مشتق اول به نويز حساس است در كار تشخيص مرزها و لبه‌‌هاي مورد نظر خطاي زيادي ايجاد مي‌شود.‏‎ ‎در شكل (3) نمونه‌اي از اعمال اين روش را مي‌توان مشاهده كرد.‏

مشتق دوم يا لاپلاسين نيز همانند گراديان براي تشخيص مرزها مناسب نيست زيرا علاوه بر حساسيت بسيار بالا به نويز و تقويت كردن اغتشاشات، دو لبه در تصوير مشخص مي‌‌كند كه باعث ايجاد خطا در تشخيص ميزان رسوبات و گرفتگي داخل رگ مي‌شود.‏‎ ‎در مواردي از تكنيك ‏LOG (Laplacian of Gaussian )‎‏ استفاده شده كه در اين روش قبل از اعمال لاپلاسين به تصوير آن را با فيلتر گوسين‎ ‎‏(براي كاهش اثر نويز)  ‏Smooth‏ مي‌كنند. در اين روش حلقه‌هايي در  مكان لبه‌ها ايجاد مي‌شود كه به آن اثر ‏Spaghetti ‎‏ مي‌گويند و باعث مي‌شود كه اين روش نيز براي تشخيص لبه‌ها نامناسب باشد.
‏
در دهه اخير مدل‌هاي شكل‌پذير (‏Deformable Models‏) يا مار (‏Snake‏) به شكل گسترده‌اي در تشخيص لبه‌هاي تصاوير و پردازش آنها مورد استفاده قرار گرفته است. ‏Snakها يا ‏Active Contourها منحني‌هايي است كه در محدوده تصوير مي‌تواند تحت تأثير دو نيروي داخلي (كه از خود منحني حاصل مي‌شود) و خارجي (كه از داده‌هاي تصوير تأمين مي‌شود) حركت كند. اين دو نيروي داخلي و خارجي به گونه‌اي تعريف مي‌شود تا ‏snake‏ تغيير شكل داده و در نهايت به شكل لبه‌ها يا ويژگي‌هاي ديگري كه در يك تصوير مورد نظر است دربيايد. در كل دو مدل كانتور فعال (‏Active Contour‏) موجود است: كانتورهاي فعال پارامتريك و كانتورهاي فعال هندسي.‏
كانتورهاي فعال پارامتري، منحني‌هاي پارامتر‌ي‌اي در محدوده تصوير توليدمي‌كنند و اجازه تغيير شكل تا رسيدن به ويژگي خاص كه معمولاً لبه است را به آنها مي‌دهد. معمولاً منحني‌ها توسط نيروهاي پتانسيلي (‏potential forces‏) كه منفي گراديان تابع پتانسيل است، به سمت لبه‌ها كشيده مي‌شود. نيروهاي اضافي مانند نيروهاي فشار (‏pressure forces‏) به همراه ‏potential forces‏ را نيروهاي خارجي مي‌نامد. همچنين نيروهاي داخلي شامل ‏elasticity forces‏ براي حفاظت منحني و نيز ‏bending forces‏ براي جلوگيري از تا شدن بيش ازحد آن است.

بعد از آن با اعمال مدل هاي شكل پذير نتايج نسبتا خوبي بدست آمده كه هنوز تحقيقات براي بالاتر بردن دقت و سرعت در پيدا كردن مرزها و كانتورهاي ديواره داخلي رگ ادامه دارد. مي‌توان يكي از نتايج اين روش را روي تصاويرIVUS‏ مشاهده كرد، فاصله بين دو مرز پيدا شده رسوبات هستند كه با روش هاي تشخيص بافت(‏Tissue characht‏) مي‌توان نوع پلاك ها را نيز تشخيص داد.‏
به تصوير دو ستاره مي‌توان انواع پلاك ها و سطوح خاكستري آنها را مشاهده كرد. دو بلوك دياگرام زير مي‌توان مراحل پردازش تصاويرIVUS‏ را تا رسيدن به حالتي كه به پزشك كمك شاياني در تشخيص ميزان گرفتگي و انواع پلاك ها را مي‌دهد را مشاهده كرد. خطاي محاسبه شده، تشخيص از مرزها به شكل دستي توسط پزشك و يون هاي شكل پذير كم بوده و تحقيقات براي كمتر كردن اين خطا ادامه دارد.
روش هاي پردازش سينگال التراسوند
در ادامه به صورت بسيار اجمالي سه روش جديد براي پردازش سيگنال التراسوند معرفي مي‌شود. ‏
Echogenicity
محدوده سطوح خاكستري به دست آمده از تصاوير‎"‎‏ ‏IVUS‏ ‏‎"‎‏ تركيب بافت ديواره عروق شامل پلاك ها را مشخص مي كند. چشم انسان حداكثر قادر به تفكيك 32 سطح خاكستري از يكديگر است، بنابراين به تفسير كامپيوتري اين نياز است. نرم افزار‏Echogenicity‏ قادر است مقدار حجمي و نسبي بافت نرم( پر آب) و فيدوتيك موجود دو پلاك را مشخص نمايد.‏
Palpograplloy
اين شيوه، يك روش جديد پارامتري تصوير گري براساس ‏‎"‎‏ ‏IVUS‏ ‏‎"‎‏ است كه خصوصيات مكانيكي محلي ديواره رگ و پلاك را مورد ارزيابي قرار مي‌دهد. پاسخ بافت به تحريك مكانيكي (‌مثلا فشرده كردن) تابعي از خصوصيات مكانيكي آن است. ايده اصلي اين است كه ماده نرم بيشتر از ماده سخت در هنگام اعمال نيرو به بافت دفرمه مي‌شود. دفرمه شدن نسبي اجزاي پلاك كرونري را مي‌توان با محاسبه جابجايي نسبي سيگنال هاي راديو فركانسي كه در هنگام افد سيگنالIVUS‏ در دو سطح فشار متفاوت، به دست آورد. پردازش ثانويه سيگنال هاي‏FF‏ ، داده هايي براساس دفرمه شدن بافت پديد مي‌آورد و مي‌توان رشته اي از تصاوير كه در آن بخش نرم و سخت مشخص شده است، به دست آورد.‏
Virtual Histology(VH)‎
اين روش، پارادايم تازه‌اي در بازسازي و تحليل تصاوير التراسوند است. ‏Virtual Histology‏ تفسير ساده و استاندارد شده اي از سيگنال ها و تصاوير‏IVUS‏ به وجود مي‌آورد. اندازه گيري عروق و لومن به صورت خودكار جهت كمك به تشخيص با اين تكنيك ميسر است ضمن اينكه، امكان ارزيابي كامل تركيب پلاك ها را فراهم مي‌آورد.‏
‎"‎‏ ‏IVUS‏ ‏‎"‎‏ يك تكنيك بررسي خصوصيات پلاك با استفاده از كد رنگ است كه اين ويژگي ها را با جزئيات مشخص مي‌ نمايد. اين روش با سرعت و دقت بالا، پلاك هاي كلسيمي، فيبري، فيبر چربي و با هسته چربي را مشخص مي نمايد. اساس اين روش تحليل و دسته بندي اجزاي راديو فركانسي سيگنال التراسوندbacks catter‏ شده است. داده به طيف فركانسي آن با استفاده از يك مدل اتورگرسيون، تبديل مي‌شود. از طبق فركانس حاصل جهت محاسبه پارامترهاي طيفي استفاده مي‌شود، اين پارامترها بعدا براي توسعه طرح هاي دسته بندي كه تفكيك بين انواع بافت در محدوده مورد نظر، به كار مي رود. ‏
VH‏ در مشخص كردن انواع مختلف پلاك هاي آترواسكلروتيك، 80 تا 92 درصد موفق بوده است.‏

مراجع

‏
‏
‏‎[1] P‎‏.‏‎ Agostoni, J‎‏.‏‎ A. Schaar, "The challenge of vulnerable plaque detection in the cardiac catheterizationlaboratory,"Journal of  Kardiovaskul?re Medizin, vol. 7, pp. 349-358, March 2004 .‎
‎[2] P‎‏.‏‎ Schoenhagen, A‎‏. ‏E. Stillman, "Principles, advances, clinical uses,"Clinic journal of medicine, vol. 72, pp. 43-45 , February 2005.‎
‎ [3] W‎‏.‏‎ D. Anderson, F‎‏.‏‎ Steven, R. Bailey, F‎‏.‏‎ Raimund, "Clinical Expert Consensus Document on Standards for Acquisition, Measurement and Reporting of Intravascular Ultrasound Studies (IVUS),"Journal of the American College of Cardiology, vol. 37, pp.1479-1491, April 2001.
[4] P‎‏.‏‎ Schoenhegen, R‎‏.‏‎ D. White, "Coronary imaging: Angiography shows the stenosis, but IVUS, CT, and MRI show the plaque, "Clinic journal of medicine, vol. 7, pp. 435-446, August 2003.‎
‎[5] M‎‏.‏‎ Vavauranakis, C‏.‏‎ Stefandis, "Advanced in the detection of the vulnerable Coronary Atherisclerotic plaque,"Hellenic Journal cardiology, vol. 44, pp. 1-8, March2003.‎
‎[6] S‎‏.‏‎ E. Nissen, P‎‏.‏‎ Yock "Intravascular Ultrasound clinical application, "American Heart Association conference,September 2001.‎
‎[7] Z‏.‏‎ Luo, Y‎‏.‏‎ Wang, W‎‏.‏‎ Wang, "Estimating Coronary Artery Lumen Area With Optimization-Based Contour Detection, "IEEE transaction on medical imaging, vol. 22, no. 4, pp 48-56. April 2003.‎
‎ [8] H‎‏.‏‎ Zhu, Y‎‏.‏‎ Liang, and M‎‏.‏‎ H. Friedman, "IVUS image segmentation based on contrast, "Department of Biomedical Engineering, Duke University, Medical Imaging conference 2002.‎
‎[9] A. Kimmel, H. Bruckstein, "Regularized Laplacian zero crossings as optimal edge integrators, "International journal of computer vision , vol. 53 , pp. 225 -243 ,June 2003.  
[10] H. Lee, J. Haralick, R. Shapiro,"Morphologic edge detection, "Robotics and Automation,  IEEE Journal, vol. 3,no.2, pp.206-222,July1987.‎
‎[11] C‎‏.‏‎ Xu,  J‎‏.‏‎ L. Prince, "Snakes, Shapes, and Gradient Vector Flow, "IEEE transaction on image processing, vol. 7, no. 3, March 1998
[12] C‎‏.‏‎ Xu and J‎‏.‏L. Prince, "Gradient Vector Flow: A New External Force for Snakes"IEEE Proc. Conf. on Comp. Vis. Patt. Recog. (CVPR'97)Department of Electrical and Computer Engineering The Johns Hopkins University, Baltimore, MD 21218 oct. 1996‎
‎   [13] E. dos filho , M. Yoshizawa, "A Study on Intravascular Ultrasound  Image ‎
‎    Processing, "Journal of Mathematical Imaging and Vision 21: 205-223, 2004
[14] P. A Brathwaite, K. B Chandran, D. D McPherson , E. L Dove
"Lumen Detection in Human IVUS Images using Region-Growing, "1996 IEEE  Conference in Cardiology 1996.‎
‎   [15] H. Zhu, Y. Liang, and M. H. Friedman" IVUS image segmentation based on ‎
‎    contrast, " Medical Imaging conference 2002.‎
‎   [16] D. Gil, P. Radeva, J. Saludes, "Segmentation of artery wall in coronary IVUS ‎
‎   Images: A Probabilistic Approach, "Computer Vision Center and Dpt. d'Informhtica    
   ,conference,September 2000.
[17] W. H. Nailon*, S. McLaughlin', T. Spencer, M. .Ramo, D. M. Salter, "Fractal Texture Analysis: An Aid to Tissue Characterisation with Intravascular Ultrasound, " 19th International Conference - IEEE/EMBS Oct. 30 - Nov. 2, 1997 Chicago, IL. USA.‎
‎   [18] M  Cardinal, J. Meunier, G. Soulez, R. L. Maurice, "Intravascular Ultrasound 
   Image Segmentation: A Three-Dimensional Fast-Marching Method Based on 
   GrayLevel Distributions,"IEEE transaction on medical imaging, vol. 25, no. 5, May
   2006
   [19] D. Gil , A. Hern?ndez, O. Rodriguez, J. Mauri, and P. Radeva, "Statistical 
   Strategy for Anisotropic Adventitia Modelling in IVUS, "IEEE transaction on
   medical imaging, vol. 25, no. 6,June 2006.‎
‎   [20] M. Sonka, X. Zhang, M. Siebes, S. DeJong, C. R McKay, S. M Collins "    
   Automated Segmentation of Coronary Wall and Plaque from Intravascular 
   Ultrasound Image Sequences, "Computers in Cardiology conference1994
   [21] R. Ravhon, D. Adam,  L. Zelmanovitch, "Validation of Ultrasonic Image ‎
‎   Boundary Recognition in Abdominal Aortic Aneurysm, "IEEE transaction on
    medical imaging, vol. 20, no. 8, August 2001 .‎
‎   [22] X. Zhang, S C DeJong, C R McKay, S .M Collins'i, M Sonka, "Automated 
   Characterization of Plaque Cornposition from Intravascular Ultrasound Images, "‎
‎   Computers in Cardiology conference 1996.‎
‎ [23] G. Koning1, J. Dijkstra, C. von Birgelen, J. C. Tuinenburg, J.Brunette, H.C. Reiber, "Advanced contour detection for three-dimensional intracoronary ultrasound: a validation - in vitro and in vivo, "The International Journal of Cardiovascular Imaging,vol. 18,pp. 235-248, 2002.
 [24] D Gil, P Radeva, J Saludes, J Mauri , "Automatic Segmentation of Artery Wall in Coronary IVUS Images: a Probabilistic Approach, "Journal of Computers in Cardiology, vol. 27, pp.687-690,April 2000.
  [25] E. Brunenberg, O. Pujo, B.Romeny1, P. Radeva, "Automatic IVUSsegmentation ‎
‎   of atherosclerotic plaque with Stop & Go snake, "IEEE Proc. Conf. on Comp. ‎
‎   Vis. Patt. Recog.2002‎
‎ [26]R. Cardinal, M.-H., Meunier, J. et al, "Automatic 3D segmentation of intravascular ultrasound images using region and contour information, "Medical Image Computing and Computer-Assisted Intervention: LNCS 3749, vol. 1, pp. 319-326, 2005
 [27]Nailon, W. and McLaughlin, S. Intravascular, "Ultrasound image interpretation. Proceedings of the International Conference on Pattern Recognition",Austria. IEEE Computer Society Press: USA, vol. 8, pp. 503-506, 1996.
[28] AH Hernandez, DG Gil, PR Radeva, EN. Nofrerias, "Anisotropic Processing of Image Structures for Adventitia Detection in Intravascular Ultrasound Images, "‎
‎   IEEE transaction on medical imaging, vol. 20, no. 8, August 2001
‎

پردازش تصاوير (IVUS)

نوآوري انجام پردازش تصاوير پزشکي، خصوصا در بحث تصويربرداري اولتراسوند داخل شرياني ‏‎(IVUS)‎، از مباحث مورد توجه مهندسين پزشک بوده و تا به امروز نتايج قابل قبولي در اين راستا ارائه شده است. در اين نوشته دو هدف اصلي را دنبال خواهيم نمود که 1- دسترسي به کانتوري ‏‎(Contour)‎‏ از مجاري و کانال هاي دروني بدن ‏‎(Luminal)‎‏ است که فاکتور مهمي در تعيين ميزان گرفتگي عروق خواهد بود و 2 - بررسي وجود کلسيفيکاسيون هاست که اطالاعات ارزشمندي را در روش هاي تشخيصي مداخله گر ‏‎(Intervention)‎‏ در اختيار ما قرار مي دهد.‏

بررسي اهداف عنوان شده، با ترکيبي از تکنيک هاي مورفولوژي ‏‎(Morphology)‎‏ مبتني بر مدل هاي رياضي، سيستم هاي فازي و همچنين علم تشخيص به موقع در اهميت هريک از اختلالات موجود، قابل بررسي است. اهميت نتايج بدست آمده زماني مشخص خواهد شد که نتايج حاصل از اين روش با روش هاي دستي که توسط جراح انجام مي شود، مقايسه گردد.‏

همانطور که عنوان شد هدف از اين نوشته، معرفي و گسترش سيستمي است که توانائي تقسيم بندي خودکار از بخش هاي مختلفي از کلسيفيکاسيون ها و همچنين تشکيل کانتور مجاري و کانال هاي عروقي بدن را داشته باشد که بدين وسيله بتوان تشخيص بهتري در بررسي اختلالات لومينال داد.
‏
يک برش عرضي از کانتور لومينال داراي اهميت بسياري است، چرا که نواحي لومن اطلاعات بسيار مفيدي را در جهت تشخيص ميزان گرفتگي عروق در اختيار پزشک قرار مي دهند، به علاوه اينکه اثبات وجود و يا عدم وجودکلسيفيکاسيون به روش ‏IVUS‏  امکانپذير خواهد شدکه همين امر، موفقيتي در جهت به کارگيري کاتترها در روش هاي تشخيص پزشکي امروزي  است.‏

به صورت کلي مي توان عنوان نمود که تهيه مقاطع عرضي خودکار، يکي از دشوارترين مراحل در پردازش تصاوير ديجيتال پزشکي است. ميزان دقت در تقسيم بندي ‏‎(Segmentation)‎، يک ميزان موفقيت و يا عدم موفقيت احتمالي را در روند آناليز کامپيوتري تصاوير رقم خواهد زد.‏

در ادامه به معرفي کليات پردازش تصوير به روش ‏IVUS‏ و مقايسه آن با روش هاي دستي ‏‎(Manually)‎‏ خواهيم پرداخت.‏

تشکيل کانتور لومينال
- تصوير ورودي : تصوير اصلي گرفته شده توسط سيستم ‏IVUS‏ که کليات آن به صورت مختصر شرح داده شد.
- استخراج خصوصيات تصوير : بدست آوردن پارامترهاي اصلي در مدل رياضي، همچنين تعيين برخي مشخصات در ترسيم گرافيکي مقطع لومينال، به عنوان مثال تعيين فاصله شعاعي R‏ در شکل شماره 1 .‏

گروه بندي تصوير ‏‎(Image Clustering)‎
تقسيم بندي نواحي مختلف تصوير، به عنوان مثال در شکل شماره 1 مقطع عرضي يک رگ به 4 ناحيه تقسيم شده است :‏
‏1 - ناحيه بيروني رگ، 2 - ناحيه مابين دو پوشش داخلي (‏Adventitia‏ و ‏‎(Intima‎، 3 - ناحيه لومن و 4- ناحيه عبور کاتتر‏

هموارسازي سطوح تصوير
به منظور کاهش ناهمواري هاي نواحي مرزي تصوير،  فيلتراسيون پيش از تشکيل تصاوير مرزي اعمال مي گردد. اين فيلتر در روند باز و بسته شدن مورفولوژيک، توسط يک ساختار ديسک مانند عمل مي نمايد.‏

تشخيص مرزها
پس از انجام دسته بندي نواحي مختلف تصوير و نرم نمودن لبه هاي کانتور، تصوير بدست آمده در وضعيت مناسبي جهت تشخيص درست و دقيق لبه ها به روش هاي متداول قرار خواهد گرفت.‏

تصوير خروجي
نمونه اي از تصوير خروجي نهائي در شکل شماره 3  قابل مشاهده است.‏

يکي از مشکلات حين تشکيل تصوير، قرارگيري سايه سيم راهنما ‏‎(Guide Wire Shadow)‎‏ بر روي قسمتي از تصوير ورودي است که ممکن است در تقسيم بندي نواحي اختلال ايجاد کند. براي رفع اين مشکل، يک روال تصحيح کانتور در 4 مرحله به شرح زير انجام مي گردد :
1 - تصوير با خطاي تقسيم بندي نواحي را از سيستم مختصات کارتزين به يک سيستم مختصات قطبي منتقل مي شود، نمونه اي از انجام اين پروسه در شکل شماره 2 آورده شده است.
2 - سايه سيم راهنما به صورت خودکار تشخيص داده مي شود. اين مرحله، با محاسبه ميانگين سطح روشنائي رنگ خاکستري تصوير در مقايسه با چگالي استاندارد ستوني از تصوير انتقال يافته به مختصات قطبي انجام مي گردد. ستوني که شامل حداقل مقدار از سطح ميانگين خاکستري تصوير است، به عنوان مکان قرارگيري سايه سيم راهنما فرض مي گردد ( شکل شماره 3).  ناحيه قرارگيري کاتتر در اين پروسه در نظر گرفته نمي شود تا از اثر اغتشاشاتي موسوم به ‏ring-down‏ ممانعت به عمل آورده شود.
3 - کانتور رسم شده در محل قرارگيري سيم راهنما، پاک شده و يک کانتور جديد توسط يک درونيابي خطي ‏‎(Linear Interpolation)‎‏ رسم مي گردد.
4 - تصوير تصحيح يافته مجددا به سيستم مختصات کارتزين منتقل مي شود.
‏

تشخيص کلسيفيکاسيون ها
 ‏
يکي از مشخصات بارز در نواحي قرارگيري کلسيفيکاسيون ها اين است که از شدت اکوي بالائي در تصاوير حاصل از ‏IVUS‏  برخوردارند. اين حقيقت، امکان آن را فراهم مي آورد که ناحيه کلسيفيه با تکنيک تشخيصي آستانه سطح خاکستري قابل بررسي باشد.
با اين حال، از آنجائيکه شدت سطوح مختلف از يک تصوير تا تصوير ديگر ممکن است کاملا متفاوت باشد، معمولا پيدا نمودن يک سطح آستانه واحد و استاندارد به منظور داشتن يک تقسيم بندي نواحي بسيار خوب در گروه وسيعي از تصاوير موجود، کار نسبتا دشواري است. بنابراين لازم است که سطح آستانه را با هر تصوير، متناسب در نظر بگيريم.
‏
تخمين آستانه مناسب ‏
روند تعيين ميزان آستانه مناسب، يک روش تکرارشونده مبتني بر توليد خودکار مقادير آستانه براي تقسيم بندي هاي چند نسبتي است. جهت انجام اين پروسه خودکار، الگوريتم زير قابل انجام است :
‏
مرحله 1 : محاسبه مقادير و رسم هيستوگرام
مرحله 2 : محاسبه آستانه بهينه
مرحله 3 : محاسبه و رسم يک هيستوگرام جديد براي تصويري که سطوح خاکستري در آن بيشتر از سطح آستانه باشد
مرحله 4 : تکرار مرحله 2
‏
پس از انجام چندين مرحله آزمايش، دو تکرار از الگوريتم بالا مشاهده مي گردد که مي توان توسط آنها يک تقسيم بندي نواحي مناسب از وجود کلسيفيکاسيون ها ارائه داد (از آن به نواحي مورد علاقه ‏ROI‏  تعبير مي شود).     ‏
بعد از آن با اعمال مدل هاي شكل پذير نتايج نسبتا خوبي بدست آمده كه هنوز تحقيقات براي بالاتر بردن دقت و سرعت در پيدا كردن مرزها و كانتورهاي ديواره داخلي رگ ادامه دارد. مي‌توان يكي از نتايج اين روش را روي تصاويرIVUS‏ مشاهده كرد، فاصله بين دو مرز پيدا شده رسوبات هستند كه با روش هاي تشخيص بافت(‏Tissue characht‏) مي‌توان نوع پلاك ها را نيز تشخيص داد.‏
به تصوير دو ستاره مي‌توان انواع پلاك ها و سطوح خاكستري آنها را مشاهده كرد. دو بلوك دياگرام زير مي‌توان مراحل پردازش تصاويرIVUS‏ را تا رسيدن به حالتي كه به پزشك كمك شاياني در تشخيص ميزان گرفتگي و انواع پلاك ها را مي‌دهد را مشاهده كرد. خطاي محاسبه شده، تشخيص از مرزها به شكل دستي توسط پزشك و يون هاي شكل پذير كم بوده و تحقيقات براي كمتر كردن اين خطا ادامه دارد.
روش هاي پردازش سينگال التراسوند
در ادامه به صورت بسيار اجمالي سه روش جديد براي پردازش سيگنال التراسوند معرفي مي‌شود. ‏
Echogenicity
محدوده سطوح خاكستري به دست آمده از تصاوير‎"‎‏ ‏IVUS‏ ‏‎"‎‏ تركيب بافت ديواره عروق شامل پلاك ها را مشخص مي كند. چشم انسان حداكثر قادر به تفكيك 32 سطح خاكستري از يكديگر است، بنابراين به تفسير كامپيوتري اين نياز است. نرم افزار‏Echogenicity‏ قادر است مقدار حجمي و نسبي بافت نرم( پر آب) و فيدوتيك موجود دو پلاك را مشخص نمايد.‏
Palpograplloy
اين شيوه، يك روش جديد پارامتري تصوير گري براساس ‏‎"‎‏ ‏IVUS‏ ‏‎"‎‏ است كه خصوصيات مكانيكي محلي ديواره رگ و پلاك را مورد ارزيابي قرار مي‌دهد. پاسخ بافت به تحريك مكانيكي (‌مثلا فشرده كردن) تابعي از خصوصيات مكانيكي آن است. ايده اصلي اين است كه ماده نرم بيشتر از ماده سخت در هنگام اعمال نيرو به بافت دفرمه مي‌شود. دفرمه شدن نسبي اجزاي پلاك كرونري را مي‌توان با محاسبه جابجايي نسبي سيگنال هاي راديو فركانسي كه در هنگام افد سيگنالIVUS‏ در دو سطح فشار متفاوت، به دست آورد. پردازش ثانويه سيگنال هاي‏FF‏ ، داده هايي براساس دفرمه شدن بافت پديد مي‌آورد و مي‌توان رشته اي از تصاوير كه در آن بخش نرم و سخت مشخص شده است، به دست آورد.‏
Virtual Histology(VH)‎
اين روش، پارادايم تازه‌اي در بازسازي و تحليل تصاوير التراسوند است. ‏Virtual Histology‏ تفسير ساده و استاندارد شده اي از سيگنال ها و تصاوير‏IVUS‏ به وجود مي‌آورد. اندازه گيري عروق و لومن به صورت خودكار جهت كمك به تشخيص با اين تكنيك ميسر است ضمن اينكه، امكان ارزيابي كامل تركيب پلاك ها را فراهم مي‌آورد.‏
‎"‎‏ ‏IVUS‏ ‏‎"‎‏ يك تكنيك بررسي خصوصيات پلاك با استفاده از كد رنگ است كه اين ويژگي ها را با جزئيات مشخص مي‌ نمايد. اين روش با سرعت و دقت بالا، پلاك هاي كلسيمي، فيبري، فيبر چربي و با هسته چربي را مشخص مي نمايد. اساس اين روش تحليل و دسته بندي اجزاي راديو فركانسي سيگنال التراسوندbacks catter‏ شده است. داده به طيف فركانسي آن با استفاده از يك مدل اتورگرسيون، تبديل مي‌شود. از طبق فركانس حاصل جهت محاسبه پارامترهاي طيفي استفاده مي‌شود، اين پارامترها بعدا براي توسعه طرح هاي دسته بندي كه تفكيك بين انواع بافت در محدوده مورد نظر، به كار مي رود. ‏
VH‏ در مشخص كردن انواع مختلف پلاك هاي آترواسكلروتيك، 80 تا 92 درصد موفق بوده است.‏

منبع: نشریه مهندسی پزشکی شماره ۶۹